CN114913995A - 自助就诊方法、装置、设备及存储介质 - Google Patents
自助就诊方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114913995A CN114913995A CN202210547326.0A CN202210547326A CN114913995A CN 114913995 A CN114913995 A CN 114913995A CN 202210547326 A CN202210547326 A CN 202210547326A CN 114913995 A CN114913995 A CN 114913995A
- Authority
- CN
- China
- Prior art keywords
- patient
- message
- doctor
- target
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及人工智能技术领域,公开了一种自助就诊方法、装置、设备及存储介质,方法包括:当接收到患者咨询请求时,与目标患者终端建立通信连接,并向目标患者终端发送预设的问询消息以引导目标患者回复消息;当接收到患者消息时,记录接收到患者消息的次数作为医患问询次数;当医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应患者消息的医生响应消息,并将医生响应消息发送给目标患者终端,以引导目标患者继续回复消息;当医患问询次数达到预设次数时,整合各个患者消息以及医生响应消息,得到目标对话信息;根据预训练好的诊疗结果确定模型获取对应目标对话信息的目标诊疗结果,并将目标诊疗结果发送给目标患者终端。
Description
技术领域
本申请涉及人工智能的技术领域,尤其涉及一种自助就诊方法、装置、设备及存储介质。
背景技术
目前,在医患诊疗的过程仍然依靠医生与患者进行人工对话来进行问诊,医生需要针对患者的现有症状、历史症状、检查结果、疾病演变等过程进行多方位询问,然后根据病理发展进行诊断,最终才能得到诊疗果。并且,患者去医院、挂号排队都需要花费大量时间,导致患者就诊的效率低。
发明内容
本申请的主要目的在于提供一种自助就诊方法、装置、设备及存储介质,旨在解决现有技术中患者就诊效率低的问题。
第一方面,本申请提供一种自助就诊方法,包括:
当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息;
当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数;
当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息;
当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息;
根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
第二方面,本申请还提供一种自助就诊装置,所述自助就诊装置包括:
问询请求处理模块,用于当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息;
问询消息接收模块,用于当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数;
问询消息答复模块,用于当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息;
对话消息处理模块,用于当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息;
诊疗结果输出模块,用于根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上所述的自助就诊方法的步骤。
第四方面,本申请还提供一种存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上所述的自助就诊方法的步骤。
本申请提供一种自助就诊方法、装置、设备及存储介质,本申请提供一种自助就诊方法、装置、设备及存储介质,本申请中,当接收到目标患者终端发送的患者消息时,根据预训练好的医生响应模型获取对应患者消息的医生响应消息,并将医生响应消息发送给目标患者终端,实现了对患者消息进行智能应答;在于患者进行智能应答的过程中,整合患者消息以及医生响应消息以得到医患对话信息,并利用预训练好的诊疗结果确定模型对医患对话信息进行处理,即可给出诊疗结果。通过本申请所提供的技术方案,实现了通过人工智能的方式与患者进行智能对话并根据对话情况给出诊疗结果。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种自助就诊方法的步骤流程示意图;
图2为本申请实施例提供的一种自助就诊装置的示意性框图;
图3为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。另外,虽然在装置示意图中进行了功能模块的划分,但是在某些情况下,可以以不同于装置示意图中的模块划分。
本申请实施例提供一种自助就诊方法、装置、设备及存储介质。其中,该方法可应用于终端设备或服务器中,该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备;该服务器可以为单台的服务器,也可以为由多台服务器组成的服务器集群。以下以该方法应用于服务器为例进行解释说明。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请实施例提供的一种自助就诊方法的步骤流程示意图。
如图1所示,该自助就诊方法包括步骤S10至步骤S14。
步骤S10、当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息。
在一些实施方式中,当该自助就诊方法的执行主体为服务器时,患者咨询请求可以为目标患者通过目标患者终端发送的网络请求;当该自助就诊方法的执行主体为终端设备时,患者咨询请求则可以为终端设备接收到的发自服务器的消息指令,其中,该消息指令为目标患者通过目标患者终端向服务器发送网络请求后,服务器作为网络请求处理的中转站,根据接收到的网络请求生成并发送给执行主体的消息指令,此时,该消息指令可以为远程推送通知、短信、邮件等形式的指令。另外,患者咨询请求还可以为其他类型的指令,在此不做限制。
可以理解,患者咨询请求中携带有目标患者终端的设备标识信息,根据设备标识信息与目标设备终端建立全双工通信连接后,该方法的执行主体与目标患者终端之间可以相互发送并接收聊天消息。
预设的问询消息用于向目标患者打招呼并引导目标患者回复消息。示例性的,预设的问询消息可以设置为“您好,请问有什么可以帮到您”之类的引导消息。
可以理解,在接收到患者咨询请求之前,需要先训练好用于与目标患者进行智能对话的医生响应模型,以及用于根据对话获取诊疗结果的诊疗结果确定模型。
在一些实施方式中,所述当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接之前,所述方法还包括:
获取历史医患对话信息以及与所述历史医患对话信息对应的历史诊疗结果;
对所述历史医患对话信息进行标注处理,得到历史对话标注信息;
根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型;
根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型。
可以理解,历史医患对话信息中记录了医生与患者在问诊过程中的发言消息,而历史诊疗结果则为医生针对问诊过程中患者反馈的情况给出的诊疗结果。标注好各个发言消息的发言者是医生还是患者后,即得到了历史对话标注信息。
在一些实施方式中,第一语言模型为GPT-2(Generative Pre-Training 2.0)模型,第二语言模型为GPT(Generative Pre-Training)模型。
利用基于GPT-2模型训练出来的医生响应模型,以及利用基于GPT模型训练出来的诊疗结果确定模型都可以根据输入文本生成输出文本。
其中,利用标注后的历史对话标注信息来对第一语言模型进行训练,可以让第一语言模型更好的理解医生与患者在不同角色下的对话特点,并且可以让第一语言模型有效的模拟医生向患者询问情况的问诊步骤。最终训练得到的医生响应模型能够生成更符合医生问诊场景的医生回复消息。
而利用标注后的历史对话标注信息以及历史诊疗结果对第二语言模型进行训练,则可以使第二语言模型更好的学习如何根据患者与医生的问诊对话过程得到诊疗结果。最终得到的诊疗结果确定模型可以对医生诊断的过程进行模拟,实现对患者疾病的智能诊断。
可以理解,基于GPT模型与GPT-2模型的区别特点,与GPT-2模型相比,使用GPT模型作为第二语言模型来进行训练,所得到诊疗结果确定模型可以根据整个问诊对话过程更好的生成患者的诊疗结果。
进一步的,用于训练第一语言模型的历史对话标注信息可以为多个,训练数据越多,第一语言模型的训练效果越好;同理,用于训练第二语言模型的历史对话标注信息以及历史诊疗结果可以为多组,训练数据越多,第二语言模型的训练效果也越好。
在一些实施方式中,所述历史医患对话信息包括多个发言消息,所述对所述历史医患对话信息进行标注处理,得到历史对话标注信息,包括:
获取所述发言消息的消息收发类型,以根据所述消息收发类型判断所述发言消息是否为医生端消息;
当所述发言消息为医生端消息时,获取预设的医生标识字符与所述发言消息进行拼接处理,得到医生发言消息;
当所述发言消息为患者端消息时,获取预设的患者标识字符与所述发言消息进行拼接处理,得到患者发言消息;
根据消息时间对各个所述医生发言消息以及各个所述患者发言消息进行排序,得到历史对话标注信息。
可以理解,本方法应用于医生端,根据发言消息的消息收发类型,即可确定发言消息是医生端消息还是患者端消息。具体的,当发言消息的消息收发类型为接收消息类型时,发言消息为患者端消息;当发言消息的消息收发类型为发送消息类型时,则发言消息为医生端消息。
另外,每一条发言消息都有用于表征消息发送时间的消息时间,根据各个发言消息的消息时间对各个医生发言消息以及各个患者发言消息进行排序,即可得到一个完整连贯的医患对话,也即历史对话标注信息。
在一些实施方式中,预设的医生标识字符可以设置为“[doctor]”,预设的患者标识字符可以设置为“[patient]”,只需保证医生标识字符与患者标识字符不同即可。另外,医生标识字符与患者标识字符也可以根据情况需要设置为其他字符,在此不作限制。
示例性的,假设医生标识字符为“[doctor]”,并且假设患者标识字符为“[patient]”。假设发言消息“你咳嗽吗?”为医生端消息,则进行拼接处理后,所得到的医生发言消息为“[doctor]你咳嗽吗?”。同理,假设发言消息“我现在经常咳嗽,感觉嗓子很痒”为患者端消息,则进行拼接处理后,所得到的患者发言消息为“[patient]我现在经常咳嗽,感觉嗓子很痒”。
在一些实施方式中,所述根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型,包括:
从所述历史对话标注信息中提取多组关联对话信息,其中,所述关联对话信息包括第一发言消息以及与所述第一发言消息接续的第二发言消息,且所述第一发言消息与所述第二发言消息的消息收发类型不同;
以所述第一发言消息作为所述第一语言模型的编码输入参数,并以所述第二发言消息作为所述第一语言模型的译码输入参数,对所述第一语言模型进行训练,得到所述医生响应模型。
可以理解,关联对话信息中的第一发言消息与第二发言消息存在关联关系,且第一发言消息与第二发言消息的发言角色不同,示例性的,假设第一发言消息A为患者发送的消息,则第二发言消息B是医生根据第一发言消息A所作出的响应消息。
以第一发言消息作为第一语言模型的编码输入参数,并以第二发言消息作为第一语言模型的译码输入参数,对第一语言模型进行训练,则所得到医生响应模型具备根据输入的发言消息生成应答消息的能力。
在一些实施方式中,其特征在于,所述根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型,包括:
根据消息时间对所述历史对话标注信息中的各个发言消息进行拼接处理,得到历史对话拼接结果;
以所述历史对话拼接结果作为所述第二语言模型的编码输入参数,并以所述历史诊疗结果作为所述第二语言模型的译码输入参数,对所述第二语言模型进行训练,得到所述诊疗结果确定模型。
可以理解,进行拼接处理后,所得到历史对话拼接结果中的各个发言之间仍有医生标识字符以及患者标识字符隔开,这可以让第二语言模型更好的理解患者以及医生的表达语义。
以历史对话拼接结果作为第二语言模型的编码输入参数,并以历史诊疗结果作为第二语言模型的译码输入参数,对第二语言模型进行训练,则所得到诊疗结果确定模型具备根据输入的医患对话信息输出诊疗结果的能力。
在一些实施方式中,当第二语义模型为GPT模型时,编码输入参数为第二语义模型的Encoder输入参数,译码输入参数则为第二语义模型的Decoder输入参数。
步骤S11、当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数。
可以理解,与目标患者终端建立全双工通信连接后,该自助就诊方法的执行主体与目标患者终端之间可以相互发送消息。接收到的来自目标患者终端发送的消息,即为患者消息。医患问询次数用于记录接收到患者消息的次数,每接收到一次患者消息,医患问询次数也相应增加一次。
步骤S12、当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息。
可以理解,利用之前训练好的医生响应模型可以生成对应患者消息的医生响应消息,将医生响应消息发送到目标患者终端后,则目标患者可以根据接收到的医生响应消息来回复消息。在这个引导患者回复消息过程中,可以收集到患者的现有症状、历史症状、检查结果以及疾病演变等相关信息。
在一些实施方式中,预设次数可以设置为15次或20次,也可以根据情况需要设置为其他次数。可以理解,预设次数设置的越大,所能收集到的患者相关信息越全面。
在一些实施方式中,其特征在于,所述根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,包括:
获取所述患者标识字符与所述患者消息进行拼接处理,得到目标患者消息;
输入所述目标患者消息至所述医生响应模型,并获取所述医生响应模型的输出结果作为医生响应消息。
可以理解,如果医生响应模型是根据历史对话标注信息训练得到,则利用医生响应模型获取对应患者消息的医生响应消息时,先获取患者标识字符与患者消息进行拼接处理,再将得到的目标患者消息输入医生响应模型,医生响应模型可以更好的识别患者消息的语义,以输出更符合医患问询场景的医生响应消息。
步骤S13、当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息。
可以理解,当医患问询次数达到预设次数时,可以推测利用医生响应模型已经与患者进行了足够次数的对话,也即,整合得到的目标对话信息中,已经收集到了足够的患者信息。
步骤S14、根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
可以理解,对诊疗结果确定模型输入目标对话信息后,诊疗结果确定模型可以从目标对话信息中提取患者状况,并根据患者状况生成对应的诊疗结果。将目标诊疗结果发送给目标患者终端后,目标患者即可参考目标诊疗结果采取合适的医治方案。
在一些实施方式中,其特征在于,所述根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,包括:
获取所述患者标识字符对所述患者消息进行拼接处理,得到目标患者端消息;
获取所述医生标识字符与所述医生响应消息进行拼接处理,得到目标医生端消息;
根据消息时间对各个所述目标患者端消息以及各个所述目标医生端消息进行拼接处理,得到目标对话拼接结果;
输入所述目标对话拼接结果至所述诊疗结果确定模型,并获取所述诊疗结果确定模型的输出结果作为目标诊疗结果。
可以理解,当诊疗结果确定模型为通过历史对话标注信息以及历史诊疗结果训练得到时,因为历史对话标注信息是通过对历史诊疗结果进行标注拼接处理得到,此时,如果对目标对话信息执行同样的标注拼接处理以后,再将得到的目标对话拼接结果输入诊疗结果确定模型,可以让诊疗结果确定模型更好的理解标对话拼接结果中的语义,并输出更准确的标诊疗结果。
本申请提供一种自助就诊方法、装置、设备及存储介质,本申请中,当接收到目标患者终端发送的患者消息时,根据预训练好的医生响应模型获取对应患者消息的医生响应消息,并将医生响应消息发送给目标患者终端,实现了对患者消息进行智能应答;在于患者进行智能应答的过程中,整合患者消息以及医生响应消息以得到医患对话信息,并利用预训练好的诊疗结果确定模型对医患对话信息进行处理,即可给出诊疗结果。通过本申请所提供的技术方案,实现了通过人工智能的方式与患者进行智能对话并根据对话情况给出诊疗结果。
请参照图2,图2为本申请实施例提供的一种自助就诊装置的示意性框图。
如图2所示,该自助就诊装置201,包括:
问询请求处理模块2011,用于当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息;
问询消息接收模块2012,用于当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数;
问询消息答复模块2013,用于当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息;
对话消息处理模块2014,用于当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息;
诊疗结果输出模块2015,用于根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
在一些实施方式中,该自助就诊装置201还包括模型预训练模块2016,在问询请求处理模块2011在当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接之前,模型预训练模块2016用于获取历史医患对话信息以及与所述历史医患对话信息对应的历史诊疗结果;
对所述历史医患对话信息进行标注处理,得到历史对话标注信息;
根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型;
根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型。
在一些实施方式中,所述历史医患对话信息包括多个发言消息,所述模型预训练模块2016在对所述历史医患对话信息进行标注处理,得到历史对话标注信息时,包括:
获取所述发言消息的消息收发类型,以根据所述消息收发类型判断所述发言消息是否为医生端消息;
当所述发言消息为医生端消息时,获取预设的医生标识字符与所述发言消息进行拼接处理,得到医生发言消息;
当所述发言消息为患者端消息时,获取预设的患者标识字符与所述发言消息进行拼接处理,得到患者发言消息;
根据消息时间对各个所述医生发言消息以及各个所述患者发言消息进行排序,得到历史对话标注信息。
在一些实施方式中,所述模型预训练模块2016在根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型时,包括:
从所述历史对话标注信息中提取多组关联对话信息,其中,所述关联对话信息包括第一发言消息以及与所述第一发言消息接续的第二发言消息,且所述第一发言消息与所述第二发言消息的消息收发类型不同;
以所述第一发言消息作为所述第一语言模型的编码输入参数,并以所述第二发言消息作为所述第一语言模型的译码输入参数,对所述第一语言模型进行训练,得到所述医生响应模型。
在一些实施方式中,所述问询消息答复模块2013在根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息时,包括:
获取所述患者标识字符与所述患者消息进行拼接处理,得到目标患者消息;
输入所述目标患者消息至所述医生响应模型,并获取所述医生响应模型的输出结果作为医生响应消息。
在一些实施方式中,所述模型预训练模块2016在根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型时,包括:
根据消息时间对所述历史对话标注信息中的各个发言消息进行拼接处理,得到历史对话拼接结果;
以所述历史对话拼接结果作为所述第二语言模型的编码输入参数,并以所述历史诊疗结果作为所述第二语言模型的译码输入参数,对所述第二语言模型进行训练,得到所述诊疗结果确定模型。
在一些实施方式中,所述诊疗结果输出模块2015在根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果时,包括:
获取所述患者标识字符对所述患者消息进行拼接处理,得到目标患者端消息;
获取所述医生标识字符与所述医生响应消息进行拼接处理,得到目标医生端消息;
根据消息时间对各个所述目标患者端消息以及各个所述目标医生端消息进行拼接处理,得到目标对话拼接结果;
输入所述目标对话拼接结果至所述诊疗结果确定模型,并获取所述诊疗结果确定模型的输出结果作为目标诊疗结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块及单元的具体工作过程,可以参考前述自助就诊方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3,图3为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备包括但不限定于服务器。
如图3所示,该计算机设备301包括通过***总线连接的处理器3011、存储器和网络接口,其中,存储器可以包括存储介质3012和内存储器3015,存储介质3012可以是非易失性的,也可以是易失性的。
存储介质3012可存储操作***和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器3011执行任意一种自助就诊方法。
处理器3011用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器3015为存储介质3012中的计算机程序的运行提供环境,该计算机程序被处理器3011执行时,可使得处理器3011执行任意一种自助就诊方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器3011可以是中央处理单元(Central Processing Unit,CPU),该处理器3011还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,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。其中,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。
其中,在一些实施方式中,所述处理器3011用于运行存储在存储器中的计算机程序,以实现如下步骤:
当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息;
当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数;
当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息;
当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息;
根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
在一些实施方式中,所述处理器3011在当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接之前,还用于实现:
获取历史医患对话信息以及与所述历史医患对话信息对应的历史诊疗结果;
对所述历史医患对话信息进行标注处理,得到历史对话标注信息;
根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型;
根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型。
在一些实施方式中,所述历史医患对话信息包括多个发言消息,所述处理器3011在对所述历史医患对话信息进行标注处理,得到历史对话标注信息时,用于实现:
获取所述发言消息的消息收发类型,以根据所述消息收发类型判断所述发言消息是否为医生端消息;
当所述发言消息为医生端消息时,获取预设的医生标识字符与所述发言消息进行拼接处理,得到医生发言消息;
当所述发言消息为患者端消息时,获取预设的患者标识字符与所述发言消息进行拼接处理,得到患者发言消息;
根据消息时间对各个所述医生发言消息以及各个所述患者发言消息进行排序,得到历史对话标注信息。
在一些实施方式中,所述处理器3011在根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型时,用于实现:
从所述历史对话标注信息中提取多组关联对话信息,其中,所述关联对话信息包括第一发言消息以及与所述第一发言消息接续的第二发言消息,且所述第一发言消息与所述第二发言消息的消息收发类型不同;
以所述第一发言消息作为所述第一语言模型的编码输入参数,并以所述第二发言消息作为所述第一语言模型的译码输入参数,对所述第一语言模型进行训练,得到所述医生响应模型。
在一些实施方式中,所述处理器3011在根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息时,用于实现:
获取所述患者标识字符与所述患者消息进行拼接处理,得到目标患者消息;
输入所述目标患者消息至所述医生响应模型,并获取所述医生响应模型的输出结果作为医生响应消息。
在一些实施方式中,所述处理器3011在根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型时,用于实现:
根据消息时间对所述历史对话标注信息中的各个发言消息进行拼接处理,得到历史对话拼接结果;
以所述历史对话拼接结果作为所述第二语言模型的编码输入参数,并以所述历史诊疗结果作为所述第二语言模型的译码输入参数,对所述第二语言模型进行训练,得到所述诊疗结果确定模型。
在一些实施方式中,所述处理器3011在根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果时,用于实现:
获取所述患者标识字符对所述患者消息进行拼接处理,得到目标患者端消息;
获取所述医生标识字符与所述医生响应消息进行拼接处理,得到目标医生端消息;
根据消息时间对各个所述目标患者端消息以及各个所述目标医生端消息进行拼接处理,得到目标对话拼接结果;
输入所述目标对话拼接结果至所述诊疗结果确定模型,并获取所述诊疗结果确定模型的输出结果作为目标诊疗结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述计算机设备的具体工作过程,可以参考前述自助就诊方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种存储介质,该存储介质为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,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请自助就诊方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种自助就诊方法,其特征在于,包括:
当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息;
当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数;
当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息;
当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息;
根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
2.根据权利要求1所述的方法,其特征在于,所述当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接之前,所述方法还包括:
获取历史医患对话信息以及与所述历史医患对话信息对应的历史诊疗结果;
对所述历史医患对话信息进行标注处理,得到历史对话标注信息;
根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型;
根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型。
3.根据权利要求2所述的方法,其特征在于,所述历史医患对话信息包括多个发言消息,所述对所述历史医患对话信息进行标注处理,得到历史对话标注信息,包括:
获取所述发言消息的消息收发类型,以根据所述消息收发类型判断所述发言消息是否为医生端消息;
当所述发言消息为医生端消息时,获取预设的医生标识字符与所述发言消息进行拼接处理,得到医生发言消息;
当所述发言消息为患者端消息时,获取预设的患者标识字符与所述发言消息进行拼接处理,得到患者发言消息;
根据消息时间对各个所述医生发言消息以及各个所述患者发言消息进行排序,得到历史对话标注信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史对话标注信息对预设的第一语言模型进行训练,得到所述医生响应模型,包括:
从所述历史对话标注信息中提取多组关联对话信息,其中,所述关联对话信息包括第一发言消息以及与所述第一发言消息接续的第二发言消息,且所述第一发言消息与所述第二发言消息的消息收发类型不同;
以所述第一发言消息作为所述第一语言模型的编码输入参数,并以所述第二发言消息作为所述第一语言模型的译码输入参数,对所述第一语言模型进行训练,得到所述医生响应模型。
5.根据权利要求4所述的方法,其特征在于,所述根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,包括:
获取所述患者标识字符与所述患者消息进行拼接处理,得到目标患者消息;
输入所述目标患者消息至所述医生响应模型,并获取所述医生响应模型的输出结果作为医生响应消息。
6.根据权利要求3所述的方法,其特征在于,所述根据所述历史对话标注信息以及所述历史诊疗结果对预设的第二语言模型进行训练,得到所述诊疗结果确定模型,包括:
根据消息时间对所述历史对话标注信息中的各个发言消息进行拼接处理,得到历史对话拼接结果;
以所述历史对话拼接结果作为所述第二语言模型的编码输入参数,并以所述历史诊疗结果作为所述第二语言模型的译码输入参数,对所述第二语言模型进行训练,得到所述诊疗结果确定模型。
7.根据权利要求6所述的方法,其特征在于,所述根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,包括:
获取所述患者标识字符对所述患者消息进行拼接处理,得到目标患者端消息;
获取所述医生标识字符与所述医生响应消息进行拼接处理,得到目标医生端消息;
根据消息时间对各个所述目标患者端消息以及各个所述目标医生端消息进行拼接处理,得到目标对话拼接结果;
输入所述目标对话拼接结果至所述诊疗结果确定模型,并获取所述诊疗结果确定模型的输出结果作为目标诊疗结果。
8.一种自助就诊装置,其特征在于,包括:
问询请求处理模块,用于当接收到患者咨询请求时,根据所述患者咨询请求与目标患者终端建立全双工通信连接,并向所述目标患者终端发送预设的问询消息,以引导目标患者通过所述目标患者终端回复消息;
问询消息接收模块,用于当接收到发自所述目标患者终端的患者消息时,记录接收到所述患者消息的次数作为医患问询次数;
问询消息答复模块,用于当所述医患问询次数未达到预设次数时,根据预训练好的医生响应模型获取对应所述患者消息的医生响应消息,并将所述医生响应消息发送给所述目标患者终端,以引导所述目标患者继续回复消息;
对话消息处理模块,用于当所述医患问询次数达到所述预设次数时,整合各个所述患者消息以及各个所述医生响应消息,得到目标对话信息;
诊疗结果输出模块,用于根据预训练好的诊疗结果确定模型获取对应所述目标对话信息的目标诊疗结果,并将所述目标诊疗结果发送给所述目标患者终端。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的自助就诊方法的步骤。
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上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的自助就诊方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547326.0A CN114913995A (zh) | 2022-05-19 | 2022-05-19 | 自助就诊方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547326.0A CN114913995A (zh) | 2022-05-19 | 2022-05-19 | 自助就诊方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913995A true CN114913995A (zh) | 2022-08-16 |
Family
ID=82769005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210547326.0A Pending CN114913995A (zh) | 2022-05-19 | 2022-05-19 | 自助就诊方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913995A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370535A (zh) * | 2023-12-05 | 2024-01-09 | 粤港澳大湾区数字经济研究院(福田) | 医疗对话模型的训练方法、医疗问询方法、装置及设备 |
-
2022
- 2022-05-19 CN CN202210547326.0A patent/CN114913995A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370535A (zh) * | 2023-12-05 | 2024-01-09 | 粤港澳大湾区数字经济研究院(福田) | 医疗对话模型的训练方法、医疗问询方法、装置及设备 |
CN117370535B (zh) * | 2023-12-05 | 2024-04-16 | 粤港澳大湾区数字经济研究院(福田) | 医疗对话模型的训练方法、医疗问询方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334487B (zh) | 缺失语意信息补全方法、装置、计算机设备和存储介质 | |
WO2021068321A1 (zh) | 基于人机交互的信息推送方法、装置和计算机设备 | |
CN108877782B (zh) | 语音识别方法和装置 | |
CN112084789B (zh) | 文本处理方法、装置、设备及存储介质 | |
CN112650854B (zh) | 基于多知识图谱的智能答复方法、装置及计算机设备 | |
CN110266900A (zh) | 客户意图的识别方法、装置及客服*** | |
CN116340778B (zh) | 基于多模态的医疗大模型构建方法及其相关设备 | |
CN112836521A (zh) | 问答匹配方法、装置、计算机设备及存储介质 | |
CN116992879A (zh) | 基于人工智能的实体识别方法、装置、设备及介质 | |
CN111414453A (zh) | 结构化文本生成方法、装置、电子设备及计算机可读存储介质 | |
CN114913995A (zh) | 自助就诊方法、装置、设备及存储介质 | |
CN112037904B (zh) | 在线诊疗数据处理方法、装置、计算机设备和存储介质 | |
CN117909463A (zh) | 业务场景对话方法及相关产品 | |
WO2023040545A1 (zh) | 一种数据处理方法、装置、设备、存储介质和程序产品 | |
CN111753062A (zh) | 一种会话应答方案确定方法、装置、设备及介质 | |
CN116842143A (zh) | 基于人工智能的对话模拟方法、装置、电子设备及介质 | |
US11165905B2 (en) | Automatic identification of medical information pertinent to a natural language conversation | |
CN111556096A (zh) | 信息推送方法、装置、介质及电子设备 | |
US20210057055A1 (en) | Medical Information Release Mechanism | |
CN112700862A (zh) | 目标科室的确定方法、装置、电子设备及存储介质 | |
CN113327691B (zh) | 基于语言模型的问询方法、装置、计算机设备及存储介质 | |
CN113782022B (zh) | 基于意图识别模型的通信方法、装置、设备及存储介质 | |
CN115359867B (zh) | 电子病历分类方法、装置、电子设备及存储介质 | |
CN114356178B (zh) | 交互内容的配置方法、装置、终端设备及存储介质 | |
CN113657102B (zh) | 信息抽取方法、装置、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 |