CN114611735A - 就医的互联网挂号方法、装置、设备及存储介质 - Google Patents
就医的互联网挂号方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114611735A CN114611735A CN202210289575.4A CN202210289575A CN114611735A CN 114611735 A CN114611735 A CN 114611735A CN 202210289575 A CN202210289575 A CN 202210289575A CN 114611735 A CN114611735 A CN 114611735A
- Authority
- CN
- China
- Prior art keywords
- registration
- disease
- target
- disease condition
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 282
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 282
- 208000024891 symptom Diseases 0.000 claims abstract description 188
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims 1
- 206010019233 Headaches Diseases 0.000 description 35
- 231100000869 headache Toxicity 0.000 description 35
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000000556 factor analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000004452 decreased vision Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 241001672694 Citrus reticulata Species 0.000 description 1
- 208000003556 Dry Eye Syndromes Diseases 0.000 description 1
- 206010013774 Dry eye Diseases 0.000 description 1
- 206010015958 Eye pain Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011045 chalcedony Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G10L15/005—Language recognition
-
- 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
- G16H50/70—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Accounting & Taxation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种就医的互联网挂号方法、装置、设备及存储介质。本方法包括:接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
Description
技术领域
本发明涉及大数据技术领域及数字医疗领域,尤其涉及一种就医的互联网挂号方法、装置、设备及存储介质。
背景技术
目前现有线上互联网医院常见挂号***有预约挂号和当天挂号两种,两种挂号方案操作步骤类似,获取号源的方式比较单一,用户需先选择科室,然后选择对应医生,再选择时间才能看到真实的号源,操作步骤较多,不能快速直观的找到自己需要的号源。
同时,用户不能对号源进行横纵向对比,特别对于一些新用户不知道如何操作或者不知道需要挂什么科室号源时,很难挂到合适号,导致经常出现患者挂错号等问题,另一方面,由于预约挂号和当天挂号是不同的操作***,用户找到符合自己合适的号源需要不停切换入口进行操作,增加了用户就医的难度。因此,如何解决用户挂号困难,提高挂号效率成了本领域技术人员当前需要解决的技术问题。
发明内容
本发明的主要目的在于通过缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
本发明第一方面提供了就医的互联网挂号方法,包括:接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息;对所述病情数据进行特征提取,得到所述病情数据的多个病情特征;根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状;根据所述候选症状确定与所述用户匹配的目标挂号科室;获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象;根据所述身份信息和所述目标挂号对象,生成所述用户的挂号信息,并推送至客户端。
可选地,在本发明第一方面的第一种实现方式中,所述接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息包括:接收预约挂号请求,对所述预约挂号请求进行解析,得到所述预约挂号请求中携带的语音症状数据;对所述语音症状数据进行格式转换,得到文本格式的文本症状数据;对所述文本症状信息进行语义识别,以得到所述用户的病情数据和身份信息。
可选地,在本发明第一方面的第二种实现方式中,所述对所述病情数据进行特征提取,得到所述病情数据的多个病情特征包括:删除所述病情数据中的停用词,并对删除后的病情数据进行分词处理,得到目标病情词语;将所述目标病情词语转换为病情词向量,并计算所述病情词向量的权重;从所述病情词向量中选取所述权重大于预设权重值的目标病情词向量,根据所述目标病情词向量生成所述病情数据的多个病情特征。
可选地,在本发明第一方面的第三种实现方式中,所述根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状包括:从预设医疗数据库获取与多个所述病情特征对应的医疗知识图谱,并计算所述医疗知识图谱中的每一个病症字段与多个所述病情特征两两之间的匹配度;当所述每一个病症字段与多个所述病情特征两两之间的匹配度均小于预设阈值时,则在所述医疗知识图谱中匹配与多个所述病情特征最相似的目标字段症状;将所述目标字段症状作为多个所述病情特征相匹配的候选症状。
可选地,在本发明第一方面的第四种实现方式中,所述在所述医疗知识图谱中匹配与多个所述病情特征最相似的字段症状包括:针对所述医疗知识图谱中的每一个字段症状,计算所述字段症状与多个所述病情特征之间的文本相似度;根据所述文本相似度,从所述字段症状中得到与所述病情特征的相似度超过预设阈值的目标字段症状。
可选地,在本发明第一方面的第五种实现方式中,所述根据所述候选症状确定与所述用户匹配的目标挂号科室包括:获取与所述候选症状对应的候选挂号科室,基于预设相似度算法分别计算所述症状与所述挂号科室之间的置信度;根据所述置信度,确定与所述用户匹配的目标挂号科室。
可选地,在本发明第一方面的第六种实现方式中,所述获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象包括:查询所述目标挂号科室中的所有医生的医疗领域,并根据所述病情特征分别计算所述病情特征与所述医生对应医疗领域的第一匹配度;根据所述第一匹配度从所述医生中确定初始挂号对象,并查询所述初始挂号对象的工作时间,其中,所述初始挂号对象是指初步确定的挂号医生;根据所述用户的预约挂号时间和所述初始挂号对象的工作时间,计算所述用户与所述初始挂号对象之间的第二匹配度,并根据所述第二匹配度从所述医生中确定目标挂号对象。
本发明第二方面提供了一种就医的互联网挂号装置,包括:获取模块,用于接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息;特征提取模块,用于对所述病情数据进行特征提取,得到所述病情数据的多个病情特征;匹配模块,用于根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状;第一确定模块,用于根据所述候选症状确定与所述用户匹配的目标挂号科室;第二确定模块,用于获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象;生成模块,用于根据所述身份信息和所述目标挂号对象,生成所述用户的挂号信息,并推送至客户端。
可选地,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:接收预约挂号请求,对所述预约挂号请求进行解析,得到所述预约挂号请求中携带的语音症状数据;对所述语音症状数据进行格式转换,得到文本格式的文本症状数据;对所述文本症状信息进行语义识别,以得到所述用户的病情数据和身份信息。
可选地,在本发明第二方面的第二种实现方式中,所述特征提取模块具体用于:删除所述病情数据中的停用词,并对删除后的病情数据进行分词处理,得到目标病情词语;将所述目标病情词语转换为病情词向量,并计算所述病情词向量的权重;从所述病情词向量中选取所述权重大于预设权重值的目标病情词向量,根据所述目标病情词向量生成所述病情数据的多个病情特征。
可选地,在本发明第二方面的第三种实现方式中,所述匹配模块包括:计算单元,用于从预设医疗数据库获取与多个所述病情特征对应的医疗知识图谱,并计算所述医疗知识图谱中的每一个病症字段与多个所述病情特征两两之间的匹配度;匹配单元,用于当所述每一个病症字段与多个所述病情特征两两之间的匹配度均小于预设阈值时,则在所述医疗知识图谱中匹配与多个所述病情特征最相似的目标字段症状;将所述目标字段症状作为多个所述病情特征相匹配的候选症状。
可选地,在本发明第二方面的第四种实现方式中,所述匹配单元具体用于:针对所述医疗知识图谱中的每一个字段症状,计算所述字段症状与多个所述病情特征之间的文本相似度;根据所述文本相似度,从所述字段症状中得到与所述病情特征的相似度超过预设阈值的目标字段症状。
可选地,在本发明第二方面的第五种实现方式中,所述第一确定模块具体用于:获取与所述候选症状对应的候选挂号科室,基于预设相似度算法分别计算所述症状与所述挂号科室之间的置信度;根据所述置信度,确定与所述用户匹配的目标挂号科室。
可选地,在本发明第二方面的第六种实现方式中,所述第二确定模块具体用于:查询所述目标挂号科室中的所有医生的医疗领域,并根据所述病情特征分别计算所述病情特征与所述医生对应医疗领域的第一匹配度;根据所述第一匹配度从所述医生中确定初始挂号对象,并查询所述初始挂号对象的工作时间,其中,所述初始挂号对象是指初步确定的挂号医生;根据所述用户的预约挂号时间和所述初始挂号对象的工作时间,计算所述用户与所述初始挂号对象之间的第二匹配度,并根据所述第二匹配度从所述医生中确定目标挂号对象。
本发明第三方面提供了就医的互联网挂号设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述就医的互联网挂号设备执行上述的就医的互联网挂号方法的步骤。
本发明的第四方面提供了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指令,当其在计算机上运行时,使得计算机执行上述的就医的互联网挂号方法的步骤。
本发明提供的技术方案中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
附图说明
图1为本发明提供的就医的互联网挂号方法的第一个实施例示意图;
图2为本发明提供的就医的互联网挂号方法的第二个实施例示意图;
图3为本发明提供的就医的互联网挂号方法的第三个实施例示意图;
图4为本发明提供的就医的互联网挂号方法的第四个实施例示意图;
图5为本发明提供的就医的互联网挂号方法的第五个实施例示意图;
图6为本发明提供的就医的互联网挂号装置的第一个实施例示意图;
图7为本发明提供的就医的互联网挂号装置的第二个实施例示意图;
图8为本发明提供的就医的互联网挂号设备的一个实施例示意图。
具体实施方式
本发明实施例提供的就医的互联网挂号方法、装置、设备及存储介质,先通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
本发明的说明书和权利要求书及上述附中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中就医的互联网挂号方法的第一个实施例包括:
101、接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;
本实施例中,所述线上挂号请求可以理解为用户在智能挂号平台中输入的预约问诊请求,所述智能挂号平台可以为app、小程序以及公众号等。应该了解的是,在用户输入的线上挂号请求后,所述智能挂号平台会获取所述线上挂号请求的挂号信息,其中,所述挂号信息包括:用户信息、病情信息以及挂号时间,所述用户信息是指用户的个人基本数据,如姓名、年龄、性别、联系方式、住址以及身份证等,所述病情信息是指用户的身体状态描述数据,如头晕、头重脚轻、感冒以及胸闷等,所述挂号时间是指用户期望就诊时间,其基于不同的用户需求产生。
作为本发明的一个实施例,所述采集所述线上挂号请求的挂号信息,包括:获取所述线上挂号请求的请求字段,从后台数据库中查询所述请求字段的数据表,根据所述数据表,查询所述线上挂号请求的挂号信息。
其中,所述请求字段可以理解为所述线上挂号请求的身份标识,用于表征所述线上挂号请求的挂号身份,所述后台数据库是指用于存储上述智能挂号平台所产生的页面数据,其可以为关系型数据库,如MySQL数据库。
102、对病情数据进行特征提取,得到病情数据的多个病情特征;
本实施例中,获取训练数据,所述训练数据包括每个样本数据对应的原始特征;利用所述训练数据训练初始特征提取模型,并得到初始特征提取模型的参数值;对初始特征提取模型的参数值进行筛选,获取筛选后的参数值;利用筛选后的参数值重构所述初始特征提取模型,得到重构后的特征提取模型;将所述训练数据输入至所述重构后的特征提取模型中,得到每个样本数据的衍生特征;根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练所述重构后的特征提取模型,直至迭代终止,并得到训练好的特征提取模型。
具体地,在所述初始特征提取模型中,增加所述筛选后的参数值的权重以得到重构后的特征提取模型,减少所述初始特征提取模型的参数值中其他参数值的权重,这样便于特征提取模型的训练对灵敏度较高的参数对应的特征更加敏感,从而挖掘更多的隐藏特征。
进一步地,将所述病情数据输入所述特征提取模型进行特征提取,得到用户的病情特征。
103、根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;
本实施例中,所述医疗数据库是根据包含症状应挂科室的医疗数据库构建的。该包含症状应挂科室的医疗数据库指的是用户针对症状应该去哪个科室挂号的问题而在网络上生成的答案。其中,所数据集的数据来源包括但不限于社交网站、分享网站、搜索网站等等。例如,网络来源为社交网站时,该医疗数据库是用户好友之间发送的关于症状应挂科室的消息;或者,网络来源为分享网站时,该医疗数据库是指用户发表的关于症状应挂科室的文章、视频、语音等等;又或者,网络来源是搜索网站时,该医疗数据库则是指用户搜索到的症状应挂科室相关的网页结果。
基于此,医疗数据库至少包括从包含症状应挂科室的医疗数据库中提取得到的字段症状、字段症状对应的挂号科室。进一步地,医疗数据库还包括字段症状对应于不同挂号科室的置信度,可以理解,置信度越高,表示字段症状对应的挂号科室被推送的优先级越高。值得一提的是,医疗数据库可以通过结构树的形式表示,也可以表示为固定格式的数组,本实施例对此并未加以限定。比如,医疗数据库表示为固定格式的数组,即医疗数据库={字段症状,挂号科室,置信度}。譬如,{头疼,神经内科,0.9}、{头疼,神经外科,0.8}都被包含于医疗数据库中。
或者,医疗数据库以结构树的形式表示,该结构树包括若干个父节点以及连接于父节点的若干个子节点。其中,各节点上存储了至少一个字符,父节点上存储的字符用于表示字段症状,子节点上存储的字符用于表示挂号科室。连接在父节点与子节点之间的路径则用于表示字段症状对应于挂号科室的置信度。进一步地,通过一条路径彼此相连的两个父节点视为相邻父节点,该相邻父节点上存储的字符用于表示相似的字段症状。
104、根据候选症状确定与用户匹配的目标挂号科室;
本实施例中,以前述例子进行说明,假设与病情特征“头疼”相匹配的候选症状为字段症状“头疼”,那么,在上述任一种形式的医疗知识图谱数据库中,候选症状“头疼”对应的挂号科室包括:“神经内科”和“神经外科”。基于此,关于待推送集合的生成,一方面,可以由候选症状“头疼”对应的全部挂号科室生成,即待推送集合={神经内科、神经外科}。
另一方面,可以从候选症状“头疼”对应的全部挂号科室中选取若干个挂号科室,添加至待推送集合。具体地,从所述医疗知识图谱数据库中,获取所述候选症状对应于不同挂号科室的置信度;根据获取到的置信度,由所述候选症状对应的挂号科室生成所述待推送集合。也就是说,针对候选症状对应于每一个挂号科室的置信度,只有置信度超过特定阈值或者置信度最高的挂号科室,方能够作为病情特征的应挂科室而被添加至待推送集合。其中,特定阈值可以根据应用场景的实际需要灵活地设置,此处并未加以限定。
105、获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;
本实施例中,查询所述各个科室中医疗人员的医疗领域,并计算所述特征病情信息与医疗领域的匹配度;选取所述匹配度大于预设匹配度的医疗人员作为初始挂号对象,并查询所述初始挂号对象的医疗时间;计算所述挂号时间与医疗时间的关联度,得到所述特征病情信息与各个科室中医疗人员的关联度。
其中,所述医疗领域是指所述医疗人员的医疗擅长范围,即所述医疗人员的就诊疾病类型,如神经科医疗人员、脑科医疗人员及内科医疗人员。所述医疗时间是指所述医疗人员未排期的就诊时间。
106、根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。
本实施例中,在获取目标用户的身份信息并确定目标科室以及目标医师之后,即可利用目标用户的身份信息、目标科室及目标医师生成目标用户的挂号信息,完成自助挂号。另外,对于一些用户来讲,其可能是进行复诊挂号,此时,可以通过在病例数据库中查找到与目标用户关联的病例样本,基于病例样本分析出目标用户的问诊类型为复诊时,可以获取目标用户上一次问诊时的原有挂号信息,以利用原有挂号信息生成此次问诊对应的挂号信息。本发明实施例提供的方法,结合使用各项高精尖技术,如:人工智能,人脸识别,语音助手,大数据分析等等,帮助老人及所有不擅长使用电子产品的人群,提供一个方便快捷的挂号流程。
本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
请参阅图2,本发明实施例中就医的互联网挂号方法的第二个实施例包括:
201、接收预约挂号请求,对预约挂号请求进行解析,得到预约挂号请求中携带的语音症状数据;
本实施例中,挂号终端可预先设置不同的话术,利用自助挂号终端通过语音询问目标用户的不适症状,并获取目标用户口头描述的语音症状信息,自助挂号终端获取到目标用户的语音症状信息后,可先将其转换为文本症状信息,并通过一些列的数据的清洗以及语义识别以进一步获取到目标用户的症状特征信息。
举例来讲,自助挂号终端可以发出语音询问信息,如“请问哪里不舒服”,若目标用户回答“眼睛不舒服”,由此,可以得到目标用户的症状特征信息为眼部不适。另外,实际应用中,自助挂号终端和目标用户之间可能产生多轮信息交互,本实施例中,还可以根据目标用户答复的语音症状信息进一步形成追问询问信息,通过记录自助挂号终端和目标用户之间的多轮交互信息后获取目标用户的症状描述信息。例如,对于上述目标用户回答的“眼睛不舒服”可进行进一步追问“眼睛是干涩、疼痛、视力下降还是其他症状”,以在进一步获取到目标用户的答复信息之后生成目标用户的详细的症状特征信息。如果目标用户的答复是“眼睛疼痛”,可以进一步询问目标用户的疼痛程度等等。
202、对语音症状数据进行格式转换,得到文本格式的文本症状数据;
本实施例中,还可以在挂号终端与目标用户交互的过程中,同时在挂号终端的屏幕同步展示挂号终端和目标用户的交互内容,另外,挂号终端上可以提供症状选项,以供目标用户进行选择,例如,对于上文提及的“眼睛是干涩、疼痛、视力下降还是其他症状”提供对应的选项(如“眼睛干涩”、“眼睛疼痛”、“视力下降”等症状选项),目标用户可以触发屏幕选择其中的一种或是多种症状,进而结合目标用户对症状的选择得到目标用户的症状特征信息。
挂号终端进行语义识别的过程可以在挂号终端端进行执行,也可以上传至云端进行识别,另外,无论是挂号终端还是云端进行语义识别时,可采用预先设置的语义识别***,基于本实施例提供的语义识别***,除了可以对通用的普通话进行语义识别之外,还能够实现方言的识别。可选地,可以依据挂号终端所部署医院的位置属性,为挂号终端建立不同的语言识别***,从而实现用户语音的精准识别,提升用户对挂号终端的使用体验。语义识别过程中,可采用多种识别算法,如基于动态时间规整(Dynamic Time Warping)的算法、基于深度学习神经网络、卷积神经网络的算法等等。
203、对文本症状信息进行语义识别,以得到用户的病情数据和身份信息;
本实施例中,利用语义识别模型中预设的第一卷积神经网络获取待识别文本的文本向量。获取待识别文本,对获取到的待识别文本进行预处理,得到初始化的文本向量,并将初始化的文本向量输入语义识别模型预设的第一卷积神经网络,生成用于表征待识别文本的文本向量。其中,预处理可以根据实际的应用场景进行具体设定,例如设定该预处理为分词处理,即以词语为单位对待识别文本进行分词标记;或者设定该预处理为词语筛选处理,即以词语为单位对待识别文本进行分词标记后,剔除不重要的词语,例如,“能够、应该”等助动词,以及“喔、啊”等感叹词等不重要的词语,以提升对待识别文本的语义识别效率,此处不对预处理进行具体限定。
其中,以设定该预处理为分词处理为例,对待识别文本进行分词处理具体为,利用SBME标记法对待识别文本中的词语分别进行标记,即将单字标记为S,词的首部标记为B,词的中部标记为M,词的尾部标记为E,并根据标记后的待识别文本生成初始化的文本向量。
在对待识别文本进行语义识别之前构建本申请的语义识别模型,并获取用于训练该语义识别模型的训练样本集,即该训练样本集能够用于训练初始化的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络,从而得到语义识别模型。
预设的第二卷积神经网络用于识别待识别文本中包含的命名实体,将预设的第一卷积神经网络的输出结果作为预设的第二卷积神经网络的输入,输入预设的第二卷积神经网络,输出结果即待识别文本中包含的命名实体。
预设的第三卷积神经网络用于识别待识别文本中包含的实体关系,将预设的第一卷积神经网络的输出结果和预设的第二卷积神经网络的输出结果作为预设的第三卷积神经网络的输入,输入预设的第三卷积神经网络,输出结果即待识别文本中包含的命名实体间的实体关系。
204、对病情数据进行特征提取,得到病情数据的多个病情特征;
205、根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;
206、根据候选症状确定与用户匹配的目标挂号科室;
207、获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;
208、根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。
本实施例中步骤204-208与第一实施例中的步骤102-106类似,此处不再赘述。
本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
请参阅图3,本发明实施例中就医的互联网挂号方法的第三个实施例包括:
301、接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;
302、删除病情数据中的停用词,并对删除后的病情数据进行分词处理,得到目标病情词语;
本实施例中,其中,停用词是指病情信息中没有含义的词语,比如语气助词、副词、介词、连接词等,所述权重可以理解为所述病情词向量在所述病情信息中所占的重要度。
一个可选实施例中,所述停用词的删除可以通过与停用词表中的停用词进行匹配实现;所述分词可以通过分词算法实现,如结巴分词算法、字典分词算法以及马尔科夫分词算法等;所述病情词向量的转换可以通过词向量转换算法实现,如Word2vec算法;所述病情词向量的权重可以通过信息浓缩算法实现,如因子分析算法、主成分分析算法等。其中,所述预设权重可以设置为0.6,也可以根据实际业务场景设置。
303、将目标病情词语转换为病情词向量,并计算病情词向量的权重;
本实施例中,对目标病情词语转换为病情词向量包括:对所述目标病情词语中的多个字段文本分别进行分词操作,得到多个字段分词集合;将多个所述字段分词集合中编码分词分别通过预训练的词向量模型进行向量化和向量组合,得到多个字段分词集合对应的病情词向量;确定多个所述病情词向量组成所述向量化文本集。
具体地,所述对所述目标病情词语中的多个字段文本分别进行分词操作,得到多个字段分词集合包括:利用与编码代码对应的解码代码将多个所述编码文本进行解码,获取多个解码文本;获取与所述解码文本集的类型对应的文本语料库;根据所述文本语料库建立多个所述解码文本的联合分布概率;基于所述联合分布概率筛选得到多个所述解码文本的多个解码分词文本集合;利用所述编码代码将多个所述解码分词文本集中的解码分词文本进行编码,得到多个字段分词集合。
304、从病情词向量中选取权重大于预设权重值的目标病情词向量,根据目标病情词向量生成病情数据的多个病情特征;
本实施例中,根据所述权重值对所述病情词向量进行排序,从中选取所述权重值大于玉髓权重值的病情词向量作为目标病情词向量。进一步地,根据所述目标病情词向量生成特征病情信息。其中,所述病情词向量的权重可以通过信息浓缩算法实现,如因子分析算法、主成分分析算法等。
具体地,因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性,一科成绩好的学生,往往其他各科成绩也比较好,从而推想是否存在某些潜在的共性因子,或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子,可减少变量的数目,还可检验变量间关系的假设。
305、根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;
306、根据候选症状确定与用户匹配的目标挂号科室;
307、获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;
308、根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。
本实施例中步骤301、305-308与第一实施例中的步骤101、103-106类似,此处不再赘述。
本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
请参阅图4,本发明实施例中就医的互联网挂号方法的第四个实施例包括:
401、接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;
402、对病情数据进行特征提取,得到病情数据的多个病情特征;
403、从预设医疗数据库获取与多个病情特征对应的医疗知识图谱,并计算医疗知识图谱中的每一个病症字段与多个病情特征两两之间的匹配度;
本实施例中,由于病情特征是用户借助客户端输入的症状,可能存在较为口语化的症状描述,那么,在医疗知识图谱中根据病情特征进行匹配搜索时,很可能无法直接搜索到与病情特征完全匹配的字段症状。
举例来说,字段症状为“头疼”,如果病情特征为“头疼”,则可视为医疗知识图谱中存在与病情特征“头疼”相匹配的字段症状“头疼”,而如果病情特征为“头痛”,则视为医疗知识图谱中不存在与病情特征“头痛”相匹配的字段症状“头痛”,而仅存在与病情特征“头痛”相似的字段症状“头疼”。
本实施例中,匹配搜索过程实质包括:完全匹配搜索过程、相似性搜索过程。具体地,首先执行完全匹配搜索过程,将医疗知识图谱中的每一个字段症状与病情特征进行匹配,即执行本步骤。
404、针对医疗知识图谱中的每一个字段症状,计算字段症状与多个病情特征之间的文本相似度;
本实施例中,文本相似度的计算方法包括但不限于:基于欧式距离的相似度计算、基于曼哈顿距离的相似度计算、基于明氏距离的相似度计算、基于马氏距离的相似度计算、基于余弦距离的相似度计算、基于Jaccard系数的相似度计算、基于皮尔森相关系数的相似度计算等等,本实施例对此并未加以限定。
405、根据文本相似度,从字段症状中得到与病情特征的相似度超过预设阈值的目标字段症状;
本实施例中,举例来说,医疗知识图谱表示为固定格式的数组,即医疗知识图谱={字段症状,挂号科室,置信度}。譬如,{头疼,神经内科,0.9}、{头疼,神经外科,0.8}都被包含于医疗知识图谱中。或者,医疗知识图谱以结构树的形式表示,该结构树包括若干个父节点以及连接于父节点的若干个子节点。其中,各节点上存储了至少一个字符,父节点上存储的字符用于表示字段症状,子节点上存储的字符用于表示挂号科室。连接在父节点与子节点之间的路径则用于表示字段症状对应于挂号科室的置信度。进一步地,通过一条路径彼此相连的两个父节点视为相邻父节点,该相邻父节点上存储的字符用于表示相似的字段症状。
譬如,医疗知识图谱中,包括父节点“头痛”和父节点“头疼”、以及连接于父节点“头疼”的子节点“神经内科”、“神经外科”,父节点“头痛”与父节点“头疼”互为相邻父节点。也即是说,“头痛”、“头疼”视为字段症状,且二者互为相似的字段症状。“神经内科”、“神经外科”则视为字段症状“头痛”或者“头疼”的挂号科室,0.9为字段症状“头痛”或者“头疼”对应于挂号科室“神经内科”的置信度,0.8为字段症状“头痛”或者“头疼”对应于挂号科室“神经外科”的置信度。
基于上述,在从推荐请求中提取得到请求推送挂号科室的输入症状之后,便可在医疗知识图谱中搜索与输入症状相匹配的候选症状。比如,假设输入症状为“头疼”,那么,无论基于上述何种形式的医疗知识图谱,通过匹配搜索,譬如,针对医疗知识图谱中的每一个父节点,将输入症状“头疼”与该父节点上的字符进行匹配,便可确定与输入症状“头疼”相匹配的候选症状为字段症状“头疼”。
406、根据候选症状确定与用户匹配的目标挂号科室;
407、获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;
408、根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。
本实施例中步骤401-402、406-408与第一实施例中的步骤101-102、104-106类似,此处不再赘述。
在本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
请参阅图5,本发明实施例中就医的互联网挂号方法的第五个实施例包括:
501、接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;
502、对病情数据进行特征提取,得到病情数据的多个病情特征;
503、根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;
504、获取与候选症状对应的候选挂号科室,基于预设相似度算法分别计算症状与挂号科室之间的置信度;
本实施例中,所述症状的挂号信息包括:所述症状的应挂科室、所述应挂科室所在医院、发表所述医疗数据库的医生、所述医生所在医院、所述医生所在科室、所述医生专长疾病症状中的至少一种。
以症状的挂号信息包括症状的应挂科室、应挂科室所在医院为例,对挂号信息的提取过程加以说明。具体地,首先,基于医院科室集合中的医院和挂号科室,从所述医疗数据库中搜索得到所述症状的应挂科室、以及所述应挂科室所在医院。
需要说明的是,医院科室集合中的医院、挂号科室均是以标识信息的形式存在的,是针对真实存在于生活中的医院的名称、挂号科室的名称进行预先收集形成的。也就是说,医院科室集合,实质是医院名称、挂号科室名称的集合。例如,医院科室集合中的“深圳市人民医院”,用于唯一地标识真实存在的深圳市人民医院,而医院科室集合中的“深圳市人名医院神经内科”,则用于唯一地标识真实存在的深圳市人民医院的神经内科。
那么,通过将医疗数据库中的文本与医院科室集合中的医院和挂号科室逐一地进行匹配,便可得到医疗数据库中包含的应挂科室、以及应挂科室所在医院。
505、根据置信度,确定与用户匹配的目标挂号科室;
本实施例中,根据所述症状的应挂科室、以及所述应挂科室所在医院,生成所述症状的挂号信息。例如,症状的挂号信息={应挂科室、医院}。
同理,结合医院科室集合,并基于预先收集形成的医生集合、医生专长疾病症状集合,还可以从医疗数据库中获得发表所述医疗数据库的医生、所述医生的职级、所述医生所在医院、所述医生所在科室、所述医生专长疾病症状等等,以生成症状的挂号信息,本实施例对此并未构成具体限定。
需要说明的是,不同用户对症状应挂科室的理解可能有所差别,那么,从大量的医疗数据库中提取得到的应挂科室及其所在医院可能不止一个,然而,在挂号科室推送过程中,往往需要向用户推荐比较可信的挂号科室。基于此,本实施例中,将根据症状的挂号信息计算症状对应于不同应挂科室的置信度。
具体地,根据所述症状的挂号信息计算置信度因子;根据所述置信度因子计算所述症状应挂科室的置信度。其中,所述置信度因子包括科室置信度因子、科室所在医院置信度因子、医生置信度因子中的至少一种。进一步地,根据所述置信度,确定与所述用户匹配的目标挂号科室。
506、查询目标挂号科室中的所有医生的医疗领域,并根据病情特征分别计算病情特征与医生对应医疗领域的第一匹配度;
本实施例中,医疗领域是指所述医疗人员的医疗擅长范围,即所述医疗人员的就诊疾病类型,如神经科医疗人员、脑科医疗人员及内科医疗人员。所述医疗时间是指所述医疗人员未排期的就诊时间。
507、根据第一匹配度从医生中确定初始挂号对象,并查询初始挂号对象的工作时间;
本实施例中,选取所述关联度大于预设阈值的医疗人员作为所述线上挂号请求的目标挂号对象,并将所述目标挂号对象返回至所述用户,以实现所述用户线上挂号的请求。其中,所述预设阈值可以设置为0.9,也可以根据实际业务场景设置。
508、根据用户的预约挂号时间和初始挂号对象的工作时间,计算用户与初始挂号对象之间的第二匹配度,并根据第二匹配度从医生中确定目标挂号对象;
本实施例中,选取所述关联度大于预设阈值的医疗人员作为所述线上挂号请求的目标挂号对象,并将所述目标挂号对象返回至所述用户,以实现所述用户线上挂号的请求。其中,所述预设阈值可以设置为0.9,也可以根据实际业务场景设置。
509、根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。
本实施例中步骤501-503、509第一实施例中的步骤101-103、106类似,此处不再赘述。
本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
上面对本发明实施例中就医的互联网挂号方法进行了描述,下面对本发明实施例中就医的互联网挂号装置进行描述,请参阅图6,本发明实施例中就医的互联网挂号装置的第一个实施例包括:
获取模块601,用于接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息;
特征提取模块602,用于对所述病情数据进行特征提取,得到所述病情数据的多个病情特征;
匹配模块603,用于根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状;
第一确定模块604,用于根据所述候选症状确定与所述用户匹配的目标挂号科室;
第二确定模块605,用于获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象;
生成模块606,用于根据所述身份信息和所述目标挂号对象,生成所述用户的挂号信息,并推送至客户端。
本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
请参阅图7,本发明实施例中就医的互联网挂号装置的第二个实施例,该就医的互联网挂号装置具体包括:
获取模块601,用于接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息;
特征提取模块602,用于对所述病情数据进行特征提取,得到所述病情数据的多个病情特征;
匹配模块603,用于根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状;
第一确定模块604,用于根据所述候选症状确定与所述用户匹配的目标挂号科室;
第二确定模块605,用于获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象;
生成模块606,用于根据所述身份信息和所述目标挂号对象,生成所述用户的挂号信息,并推送至客户端。
在本实施例中,所述获取模块601具体用于:
接收预约挂号请求,对所述预约挂号请求进行解析,得到所述预约挂号请求中携带的语音症状数据;对所述语音症状数据进行格式转换,得到文本格式的文本症状数据;
对所述文本症状信息进行语义识别,以得到所述用户的病情数据和身份信息。
在本实施例中,所述特征提取模块602具体用于:
删除所述病情数据中的停用词,并对删除后的病情数据进行分词处理,得到目标病情词语;
将所述目标病情词语转换为病情词向量,并计算所述病情词向量的权重;
从所述病情词向量中选取所述权重大于预设权重值的目标病情词向量,根据所述目标病情词向量生成所述病情数据的多个病情特征。
在本实施例中,所述匹配模块603包括:
计算单元6031,用于从预设医疗数据库获取与多个所述病情特征对应的医疗知识图谱,并计算所述医疗知识图谱中的每一个病症字段与多个所述病情特征两两之间的匹配度;
匹配单元6032,用于当所述每一个病症字段与多个所述病情特征两两之间的匹配度均小于预设阈值时,则在所述医疗知识图谱中匹配与多个所述病情特征最相似的字段症状;将所述字段症状作为多个所述病情特征相匹配的候选症状。
在本实施例中,所述匹配单元6032具体用于:
针对所述医疗知识图谱中的每一个字段症状,计算所述字段症状与多个所述病情特征之间的文本相似度;
根据所述文本相似度,从所述字段症状中得到与所述病情特征的相似度超过预设阈值的目标字段症状。
在本实施例中,所述第一确定模块604具体用于:
获取与所述候选症状对应的候选挂号科室,基于预设相似度算法分别计算所述症状与所述挂号科室之间的置信度;
根据所述置信度,确定与所述用户匹配的目标挂号科室。
在本实施例中,所述第二确定模块605具体用于:
查询所述目标挂号科室中的所有医生的医疗领域,并根据所述病情特征分别计算所述病情特征与所述医生对应医疗领域的第一匹配度;
根据所述第一匹配度从所述医生中确定初始挂号对象,并查询所述初始挂号对象的工作时间,其中,所述初始挂号对象是指初步确定的挂号医生;
根据所述用户的预约挂号时间和所述初始挂号对象的工作时间,计算所述用户与所述初始挂号对象之间的第二匹配度,并根据所述第二匹配度从所述医生中确定目标挂号对象。
本发明实施例中,通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;对病情数据进行特征提取,得到病情数据的多个病情特征;根据多个病情特征在预设医疗数据库中进行匹配,得到与多个病情特征相匹配的候选症状;根据候选症状确定与用户匹配的目标挂号科室;获取目标挂号科室中的所有医生,根据病情特征分别计算所有医生的匹配度,并根据匹配度从所有医生中确定目标挂号对象;根据身份信息和目标挂号对象,生成用户的挂号信息,并推送至客户端。本发明通过接收预约挂号请求,根据预约挂号请求获取用户的病情数据和身份信息;进一步地,对用户的病情数据进行分析,从目标挂号科室的所有医生中确定挂号医生,缩短用户挂号操作步骤,只需输入预期条件查到号源直接挂号,提高了用户线上挂号的效率。
上面图6和图7从模块化功能实体的角度对本发明实施例中的就医的互联网挂号装置进行详细描述,下面从硬件处理的角度对本发明实施例中就医的互联网挂号设备进行详细描述。
图8是本发明实施例提供的就医的互联网挂号设备的结构示意图,该就医的互联网挂号设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对就医的互联网挂号设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在就医的互联网挂号设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的就医的互联网挂号方法的步骤。
就医的互联网挂号设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作***831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的就医的互联网挂号设备结构并不构成对本申请提供的就医的互联网挂号设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述就医的互联网挂号方法的步骤。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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。
Claims (10)
1.一种就医的互联网挂号方法,其特征在于,所述就医的互联网挂号方法包括:
接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息;
对所述病情数据进行特征提取,得到所述病情数据的多个病情特征;
根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状;
根据所述候选症状确定与所述用户匹配的目标挂号科室;
获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象;
根据所述身份信息和所述目标挂号对象,生成所述用户的挂号信息,并推送至客户端。
2.根据权利要求1所述的就医的互联网挂号方法,其特征在于,所述接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息包括:
接收预约挂号请求,对所述预约挂号请求进行解析,得到所述预约挂号请求中携带的语音症状数据;
对所述语音症状数据进行格式转换,得到文本格式的文本症状数据;
对所述文本症状信息进行语义识别,以得到所述用户的病情数据和身份信息。
3.根据权利要求1所述的就医的互联网挂号方法,其特征在于,所述对所述病情数据进行特征提取,得到所述病情数据的多个病情特征包括:
删除所述病情数据中的停用词,并对删除后的病情数据进行分词处理,得到目标病情词语;
将所述目标病情词语转换为病情词向量,并计算所述病情词向量的权重;
从所述病情词向量中选取所述权重大于预设权重值的目标病情词向量,根据所述目标病情词向量生成所述病情数据的多个病情特征。
4.根据权利要求1所述的就医的互联网挂号方法,其特征在于,所述根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状包括:
从预设医疗数据库获取与多个所述病情特征对应的医疗知识图谱,并计算所述医疗知识图谱中的每一个病症字段与多个所述病情特征两两之间的匹配度;
当所述每一个病症字段与多个所述病情特征两两之间的匹配度均小于预设阈值时,则在所述医疗知识图谱中匹配与多个所述病情特征最相似的目标字段症状;
将所述目标字段症状作为多个所述病情特征相匹配的候选症状。
5.根据权利要求4所述的就医的互联网挂号方法,其特征在于,所述在所述医疗知识图谱中匹配与多个所述病情特征最相似的目标字段症状包括:
针对所述医疗知识图谱中的每一个字段症状,计算所述字段症状与多个所述病情特征之间的文本相似度;
根据所述文本相似度,从所述字段症状中得到与所述病情特征的相似度超过预设阈值的目标字段症状。
6.根据权利要求1所述的就医的互联网挂号方法,其特征在于,所述根据所述候选症状确定与所述用户匹配的目标挂号科室包括:
获取与所述候选症状对应的候选挂号科室,基于预设相似度算法分别计算所述症状与所述挂号科室之间的置信度;
根据所述置信度,确定与所述用户匹配的目标挂号科室。
7.根据权利要求1所述的就医的互联网挂号方法,其特征在于,所述获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象包括:
查询所述目标挂号科室中的所有医生的医疗领域,并根据所述病情特征分别计算所述病情特征与所述医生对应医疗领域的第一匹配度;
根据所述第一匹配度从所述医生中确定初始挂号对象,并查询所述初始挂号对象的工作时间,其中,所述初始挂号对象是指初步确定的挂号医生;
根据所述用户的预约挂号时间和所述初始挂号对象的工作时间,计算所述用户与所述初始挂号对象之间的第二匹配度,并根据所述第二匹配度从所述医生中确定目标挂号对象。
8.一种就医的互联网挂号装置,其特征在于,所述就医的互联网挂号装置包括:
获取模块,用于接收预约挂号请求,根据所述预约挂号请求获取用户的病情数据和身份信息;
特征提取模块,用于对所述病情数据进行特征提取,得到所述病情数据的多个病情特征;
匹配模块,用于根据多个所述病情特征在预设医疗数据库中进行匹配,得到与多个所述病情特征相匹配的候选症状;
第一确定模块,用于根据所述候选症状确定与所述用户匹配的目标挂号科室;
第二确定模块,用于获取所述目标挂号科室中的所有医生,根据所述病情特征分别计算所有所述医生的匹配度,并根据所述匹配度从所有所述医生中确定目标挂号对象;
生成模块,用于根据所述身份信息和所述目标挂号对象,生成所述用户的挂号信息,并推送至客户端。
9.一种就医的互联网挂号设备,其特征在于,所述就医的互联网挂号设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述就医的互联网挂号设备执行如权利要求1-7中任一项所述的就医的互联网挂号方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,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1-7中任一项所述的就医的互联网挂号方法的各个步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210289575.4A CN114611735A (zh) | 2022-03-23 | 2022-03-23 | 就医的互联网挂号方法、装置、设备及存储介质 |
PCT/CN2022/121725 WO2023178971A1 (zh) | 2022-03-23 | 2022-09-27 | 就医的互联网挂号方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210289575.4A CN114611735A (zh) | 2022-03-23 | 2022-03-23 | 就医的互联网挂号方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611735A true CN114611735A (zh) | 2022-06-10 |
Family
ID=81865177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210289575.4A Pending CN114611735A (zh) | 2022-03-23 | 2022-03-23 | 就医的互联网挂号方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114611735A (zh) |
WO (1) | WO2023178971A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029399A (zh) * | 2023-02-27 | 2023-04-28 | 华序科技开发(深圳)有限公司 | 基于自然语义识别的在线预约导诊方法、电子设备、介质 |
CN116560880A (zh) * | 2023-07-10 | 2023-08-08 | 北京梆梆安全科技有限公司 | 一种医疗信息管理*** |
CN116631597A (zh) * | 2023-07-24 | 2023-08-22 | 深圳捷工智能电气股份有限公司 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
WO2023178971A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术(深圳)有限公司 | 就医的互联网挂号方法、装置、设备及存储介质 |
CN117196077A (zh) * | 2023-09-21 | 2023-12-08 | 深圳市环阳通信息技术有限公司 | 一种基于互联网的协助挂号诊断*** |
CN118155817A (zh) * | 2024-04-26 | 2024-06-07 | 旭辉卓越健康信息科技有限公司 | 一种基于gpt模型的科室和专家推荐方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469242A (zh) * | 2015-08-11 | 2017-03-01 | 天津平和悦科技有限公司 | 一种医疗服务查询方法及装置及*** |
US20170228511A1 (en) * | 2016-02-05 | 2017-08-10 | Novum Patent Holdco, LLC | Medical Registration System |
CN109065185A (zh) * | 2018-07-24 | 2018-12-21 | 合肥同佑电子科技有限公司 | 一种面向患者快捷精准就医服务方法及*** |
CN114611735A (zh) * | 2022-03-23 | 2022-06-10 | 康键信息技术(深圳)有限公司 | 就医的互联网挂号方法、装置、设备及存储介质 |
-
2022
- 2022-03-23 CN CN202210289575.4A patent/CN114611735A/zh active Pending
- 2022-09-27 WO PCT/CN2022/121725 patent/WO2023178971A1/zh unknown
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023178971A1 (zh) * | 2022-03-23 | 2023-09-28 | 康键信息技术(深圳)有限公司 | 就医的互联网挂号方法、装置、设备及存储介质 |
CN116029399A (zh) * | 2023-02-27 | 2023-04-28 | 华序科技开发(深圳)有限公司 | 基于自然语义识别的在线预约导诊方法、电子设备、介质 |
CN116560880A (zh) * | 2023-07-10 | 2023-08-08 | 北京梆梆安全科技有限公司 | 一种医疗信息管理*** |
CN116560880B (zh) * | 2023-07-10 | 2023-09-22 | 北京梆梆安全科技有限公司 | 一种医疗信息管理*** |
CN116631597A (zh) * | 2023-07-24 | 2023-08-22 | 深圳捷工智能电气股份有限公司 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
CN116631597B (zh) * | 2023-07-24 | 2024-01-16 | 深圳捷工智能电气股份有限公司 | 一种移动端、医生端、护士端就近身份信息比对确认方法 |
CN117196077A (zh) * | 2023-09-21 | 2023-12-08 | 深圳市环阳通信息技术有限公司 | 一种基于互联网的协助挂号诊断*** |
CN118155817A (zh) * | 2024-04-26 | 2024-06-07 | 旭辉卓越健康信息科技有限公司 | 一种基于gpt模型的科室和专家推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2023178971A1 (zh) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114611735A (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
CN111785368A (zh) | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 | |
CN107609163B (zh) | 医学知识图谱的生成方法、存储介质及服务器 | |
CN112131393A (zh) | 一种基于bert和相似度算法的医疗知识图谱问答***构建方法 | |
CN112786194A (zh) | 基于人工智能的医学影像导诊导检***、方法及设备 | |
CN112863630A (zh) | 基于数据和知识的个性化精准医疗问答*** | |
CN110675944A (zh) | 分诊方法及装置、计算机设备及介质 | |
CN107491655B (zh) | 基于机器学习的肝脏疾病信息智能咨询*** | |
CN112667799B (zh) | 一种基于语言模型和实体匹配的医疗问答***构建方法 | |
CN111813957A (zh) | 基于知识图谱的医疗导诊方法和可读存储介质 | |
CN110931128B (zh) | 非结构化医疗文本无监督症状自动识别方法、***、装置 | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
CN113764112A (zh) | 一种在线医疗问答方法 | |
CN113569023A (zh) | 一种基于知识图谱的中文医药问答***及方法 | |
WO2022227203A1 (zh) | 基于对话表征的分诊方法、装置、设备及存储介质 | |
CN113724815A (zh) | 基于决策分群模型的信息推送方法及装置 | |
CN111063429A (zh) | 一种医疗咨询方法、装置、设备和计算机可读存储介质 | |
CN111651579A (zh) | 信息查询方法、装置、计算机设备和存储介质 | |
CN111897829A (zh) | 一种用于医疗软件的自然语言查询方法及设备 | |
CN111696656A (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN110752027A (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
EP3901875A1 (en) | Topic modelling of short medical inquiries | |
CN113722507A (zh) | 基于知识图谱的住院费用预测方法、装置及计算机设备 | |
CN111403011B (zh) | 挂号科室推送方法、装置、***、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |