CN115116592A - 医院综合信息管理***及其管理方法 - Google Patents
医院综合信息管理***及其管理方法 Download PDFInfo
- Publication number
- CN115116592A CN115116592A CN202210899435.9A CN202210899435A CN115116592A CN 115116592 A CN115116592 A CN 115116592A CN 202210899435 A CN202210899435 A CN 202210899435A CN 115116592 A CN115116592 A CN 115116592A
- Authority
- CN
- China
- Prior art keywords
- patient
- patients
- feature vectors
- information
- appointment
- 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.)
- Withdrawn
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
- 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
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及医院智能管理的领域,其具体地公开了一种医院综合信息管理***及其管理方法,其通过深度神经网络模型对多个患者的多个预约信息以及所述多个患者的多个病历信息进行全局性的隐含关联特征提取,以提取出所述多个患者的预约需求状态特征与历史病情变化特征信息,进一步融合这两者的特征信息分布来进行分类,并且在此过程中,还进一步计算融合了这两者特征信息的患者特征向量之间的数据密集权重因数来作为加权系数,这样能够通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。进而,就能够为患者的就诊进行智能排序,以提高医生的看诊效率。
Description
技术领域
本发明涉及医院智能管理的领域,且更为具体地,涉及一种医院综合信息管理***及其管理方法。
背景技术
目前,医院信息管理***(Hospital Information System简称HIS)是一门融医学、信息、管理、计算机等多种学科为一体的交叉科学。医院信息管理***是现代化医院运营的必要技术支撑和基础设施,实现医院信息管理***的目的就是为了以更现代化、科学化、规范化的手段来加强医院的管理,提高医院的工作效率,改进医疗质量,从而树立现代医院的新形象,这也是未来医院发展的必然方向。
在医院信息管理***中,对于患者的信息管理是非常重要的。大多数医院挂号仍沿用传统的现场模式,部分医院为了缩短挂号时间,推出了预约挂号***,挂号方式以网上挂号为主,挂号完毕后在诊室门口等待叫号,然后进行就诊,但是在就诊时往往无法一次结束,需要进行一些检验来辅助医生进行看诊。患者需要再次进入医生诊室,告诉医生自己检验完毕后再次在诊室门口等待医生呼叫。而在患者进入医生诊室时,诊室内往往有病人,此时医生的看诊过程会被打断,降低了医生的看诊效率。
因此,期待一种优化的医院综合信息管理***,其能够基于患者的信息来为患者的就诊进行智能排序以提高医生的看诊效率。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种医院综合信息管理***及其管理方法,其通过深度神经网络模型对多个患者的多个预约信息以及所述多个患者的多个病历信息进行全局性的隐含关联特征提取,以提取出所述多个患者的预约需求状态特征与历史病情变化特征信息,进一步融合这两者的特征信息分布来进行分类,并且在此过程中,还进一步计算融合了这两者特征信息的患者特征向量之间的数据密集权重因数来作为加权系数,这样能够通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。进而,就能够为患者的就诊进行智能排序,以提高医生的看诊效率。
根据本申请的一个方面,提供了一种医院综合信息管理***,其包括:
预约信息模块,用于获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;
病历信息模块,用于基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;
预约信息编码模块,用于将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;
病历信息编码模块,用于将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;
特征级联模块,用于将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;
数据密集权重因数计算模块,用于计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;
数据分布校正模块,用于以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;
分类矩阵构造模块,用于将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及
叫号结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
在上述医院综合信息管理***中,所述预约信息编码模块,包括:第一词嵌入单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个预约信息中的各个预约信息转化为输入向量以获得预约输入向量的序列;第一上下文编码单元,用于使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述预约输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个预约输入特征向量;第一级联单元,用于将所述多个预约输入特征向量进行级联以生成对应于各个患者的所述预约特征向量。
在上述医院综合信息管理***中,所述病历信息编码模块,包括:第二词嵌入单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个病历信息中的各个病历信息转化为输入向量以获得病历输入向量的序列;第二上下文编码单元,用于使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述病历输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个病历输入特征向量;第二级联单元,用于将所述多个病历输入特征向量进行级联以生成对应于各个患者的所述病历特征向量。
在上述医院综合信息管理***中,所述特征级联模块,包括:线性调整单元,用于以线性变换将所述对应于各个患者的病历特征向量调整至统一的长度以及将所述对应于各个患者的预约特征向量调整至统一的长度;以及,病历特征补足单元,用于以长度相同的零值向量作为未匹配到病历信息的患者的病历特征向量。
在上述医院综合信息管理***中,所述数据密集权重因数计算模块,进一步用于:以如下公式来计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的所述数据密集权重因数;
其中,所述公式为:
其中,Vi和Vj分别表示所述多个患者特征向量中的各个患者特征向量,d(Vi,Vj)表示每两个所述患者特征向量之间的距离,⊙表示点乘,exp(·)表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数,softmax(·)表示特征向量通过分类器得到的概率值。
在上述医院综合信息管理***中,所述叫号结果生成模块,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,一种医院综合信息管理***的管理方法,其包括:
获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;
基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;
将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;
将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;
将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;
计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;
以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;
将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
在上述医院综合信息管理***的管理方法中,将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量,包括:使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个预约信息中的各个预约信息转化为输入向量以获得预约输入向量的序列;使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述预约输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个预约输入特征向量;将所述多个预约输入特征向量进行级联以生成对应于各个患者的所述预约特征向量。
在上述医院综合信息管理***的管理方法中,将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量,包括:使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个病历信息中的各个病历信息转化为输入向量以获得病历输入向量的序列;使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述病历输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个病历输入特征向量;将所述多个病历输入特征向量进行级联以生成对应于各个患者的所述病历特征向量。
在上述医院综合信息管理***的管理方法中,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量,包括:以线性变换将所述对应于各个患者的病历特征向量调整至统一的长度以及将所述对应于各个患者的预约特征向量调整至统一的长度;以及,以长度相同的零值向量作为未匹配到病历信息的患者的病历特征向量。
在上述医院综合信息管理***的管理方法中,计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,包括:以如下公式来计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的所述数据密集权重因数;
其中,所述公式为:
其中,Vi和Vj分别表示所述多个患者特征向量中的各个患者特征向量,d(Vi,Vj)表示每两个所述患者特征向量之间的距离,⊙表示点乘,exp(·)表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数,softmax(·)表示特征向量通过分类器得到的概率值。
在上述医院综合信息管理***的管理方法中,将所述分类特征矩阵通过分类器以得到分类结果,包括:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比,本申请提供的医院综合信息管理***及其管理方法,其通过深度神经网络模型对多个患者的多个预约信息以及所述多个患者的多个病历信息进行全局性的隐含关联特征提取,以提取出所述多个患者的预约需求状态特征与历史病情变化特征信息,进一步融合这两者的特征信息分布来进行分类,并且在此过程中,还进一步计算融合了这两者特征信息的患者特征向量之间的数据密集权重因数来作为加权系数,这样能够通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。进而,就能够为患者的就诊进行智能排序,以提高医生的看诊效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的医院综合信息管理***的框图。
图2为根据本申请实施例的医院综合信息管理***中预约信息编码模块的框图。
图3为根据本申请实施例的医院综合信息管理***中特征级联模块的框图。
图4为根据本申请实施例的医院综合信息管理***的管理方法的流程图。
图5为根据本申请实施例的医院综合信息管理***的管理方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,目前,医院信息管理***(Hospital Information System简称HIS)是一门融医学、信息、管理、计算机等多种学科为一体的交叉科学。医院信息管理***是现代化医院运营的必要技术支撑和基础设施,实现医院信息管理***的目的就是为了以更现代化、科学化、规范化的手段来加强医院的管理,提高医院的工作效率,改进医疗质量,从而树立现代医院的新形象,这也是未来医院发展的必然方向。
在医院信息管理***中,对于患者的信息管理是非常重要的。大多数医院挂号仍沿用传统的现场模式,部分医院为了缩短挂号时间,推出了预约挂号***,挂号方式以网上挂号为主,挂号完毕后在诊室门口等待叫号,然后进行就诊,但是在就诊时往往无法一次结束,需要进行一些检验来辅助医生进行看诊。患者需要再次进入医生诊室,告诉医生自己检验完毕后再次在诊室门口等待医生呼叫。而在患者进入医生诊室时,诊室内往往有病人,此时医生的看诊过程会被打断,降低了医生的看诊效率。
因此,期待一种优化的医院综合信息管理***,其能够基于患者的信息来为患者的就诊进行智能排序以提高医生的看诊效率。
近年来,深度学***。
深度学习以及神经网络的发展,为患者就诊的智能排序提供了新的解决思路和方案。
相应地,在本申请的技术方案中,对于患者就诊的智能排序可以基于患者的预约信息与病历信息来综合进行判断,而这本质上是一个分类的问题。也就是,通过基于患者的基础信息、预约时间和诊断需求来表示出患者的预约需求状态特征,并且通过患者的病历信息来表示出患者的历史病情变化特征,这样,基于这两个特征的融合来进行患者就诊的智能排序,以提高医生的看诊效率。
具体地,在本申请的技术方案中,首先,从医院综合信息管理***中获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述,并且还基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息。应可以理解,考虑到所述多个患者的多个预约信息共同影响了患者就诊的实际排序,并且每个患者的多个预约信息还反映了患者的预约需求状态特征,因此,为了充分挖掘出所述多个患者的多个预约信息之间的隐含关联性特征,进一步使用包含嵌入层的上下文编码器对所述多个患者的多个预约信息中的各个预约信息进行编码处理,以得到对应于各个患者的预约特征向量。在一个具体的示例中,所述包含嵌入层的上下文编码器为基于转换器(transformer)的Bert模型,其中,所述Bert模型能够利用所述转换器的内在结构对所述多个患者的多个预约信息进行基于掩码的全局上下文语义编码以得到对应于各个患者的预约特征向量。
并且,也将所述多个患者的多个病历信息中的各个病历信息也分别通过所述包含嵌入层的上下文编码器中进行编码处理,以提取出所述多个患者的多个病历信息中的各个病历信息的高维隐含关联特征,从而得到对应于各个患者的病历特征向量。这里,所述各个患者的病历特征向量能够表示患者的历史病情变化隐含特征信息。
这样,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以整合所述各个患者的预约需求状态特征与历史病情隐含特征信息,从而得到所述多个患者的多个患者特征向量。进一步再将所述多个患者的多个患者特征向量进行二维排列为分类特征矩阵后通过分类器,就能够获得用于表示当前叫号序列是否合理的分类结果。
但是,考虑到各个患者的患者特征向量中包含各个患者的预约信息和病历信息,且病历信息可能为空,而预约信息中的诊疗需求描述也会存在文本信息的多少问题,这对应到患者特征向量实质上的数据密度的差异问题。因此,在将各个患者的患者特征向量进行二维排列时,如果不考虑数据密度的差异,可能影响卷积神经网络提取的分类矩阵的分类特征矩阵的分类效果。
基于此,在本申请的技术方案中,计算患者特征向量之间的数据密集权重因数,表示为:
其中,Vi和Vj分别表示所述多个患者特征向量中的各个患者特征向量,d(Vi,Vj)表示每两个所述患者特征向量之间的距离,⊙表示点乘,exp(·)表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数,softmax(·)表示特征向量通过分类器得到的概率值。
这里,该患者特征向量之间的数据密集权重因数可以基于特征向量之间的自注意力机制,来使能特征向量之间的空间交互,从而通过特征向量之间的数据相异性的度量来计算不同数据密集程度的对象实例之间的相似度。因此,通过以该权重wi对每个患者特征向量Vi加权之后再进行二维排列,并卷积神经网络得到分类特征矩阵,就可以通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。
基于此,本申请提出了一种医院综合信息管理***,其包括:预约信息模块,用于获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;病历信息模块,用于基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;预约信息编码模块,用于将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;病历信息编码模块,用于将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;特征级联模块,用于将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;数据密集权重因数计算模块,用于计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;数据分布校正模块,用于以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;分类矩阵构造模块,用于将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及,叫号结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1图示了根据本申请实施例的医院综合信息管理***的框图。如图1所示,根据本申请实施例的医院综合信息管理***200,包括:预约信息模块210,用于获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;病历信息模块220,用于基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;预约信息编码模块230,用于将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;病历信息编码模块240,用于将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;特征级联模块250,用于将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;数据密集权重因数计算模块260,用于计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;数据分布校正模块270,用于以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;分类矩阵构造模块280,用于将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及,叫号结果生成模块290,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
具体地,在本申请实施例中,所述预约信息模块210和所述病历信息模块220,用于获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述,并基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息。如前所述,在本申请的技术方案中,对于患者就诊的智能排序可以基于患者的预约信息与病历信息来综合进行判断,而这本质上是一个分类的问题。也就是,通过基于患者的基础信息、预约时间和诊断需求来表示出患者的预约需求状态特征,并且通过患者的病历信息来表示出患者的历史病情变化特征,这样,基于这两个特征的融合来进行患者就诊的智能排序,以提高医生的看诊效率。也就是,具体地,在本申请的技术方案中,首先,从医院综合信息管理***中获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述,并且还基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息。
具体地,在本申请实施例中,所述预约信息编码模块230和所述病历信息编码模块240,用于将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量,并将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量。应可以理解,考虑到所述每个患者的多个预约信息还反映了患者的预约需求状态特征,并考虑到所述多个患者的多个预约信息共同影响了患者就诊的实际排序,也就是,同一时段可能会有多个患者预约同一诊室的医生,并且同一个患者也可能预约了不同诊室的医生,那么就需要根据患者的病情严重程度和预约的时间以及空余时间来实际地做出智能排序。,因此,在本申请的技术方案中,为了充分挖掘出所述多个患者的多个预约信息之间的隐含关联性特征,进一步使用包含嵌入层的上下文编码器对所述多个患者的多个预约信息中的各个预约信息进行编码处理,以得到对应于各个患者的预约特征向量。在一个具体的示例中,所述包含嵌入层的上下文编码器为基于转换器(transformer)的Bert模型,其中,所述Bert模型能够利用所述转换器的内在结构对所述多个患者的多个预约信息进行基于掩码的全局上下文语义编码以得到对应于各个患者的预约特征向量。
然后,同样地,也将所述多个患者的多个病历信息中的各个病历信息也分别通过所述包含嵌入层的上下文编码器中进行编码处理,以提取出所述多个患者的多个病历信息中的各个病历信息的高维隐含关联特征,从而得到对应于各个患者的病历特征向量。这里,所述各个患者的病历特征向量能够表示患者的历史病情变化隐含特征信息。
更具体地,在本申请实施例中,所述预约信息编码模块,包括:首先,使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个预约信息中的各个预约信息转化为输入向量以获得预约输入向量的序列;然后,使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述预约输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个预约输入特征向量;最后,将所述多个预约输入特征向量进行级联以生成对应于各个患者的所述预约特征向量。
更具体地,在本申请实施例中,所述病历信息编码模块,包括:首先,使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个病历信息中的各个病历信息转化为输入向量以获得病历输入向量的序列;然后,使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述病历输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个病历输入特征向量;最后,将所述多个病历输入特征向量进行级联以生成对应于各个患者的所述病历特征向量。
图2图示了根据本申请实施例的医院综合信息管理***中预约信息编码模块的框图。如图2所示,所述预约信息编码模块230,包括:第一词嵌入单元231,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个预约信息中的各个预约信息转化为输入向量以获得预约输入向量的序列;第一上下文编码单元232,用于使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述预约输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个预约输入特征向量;第一级联单元233,用于将所述多个预约输入特征向量进行级联以生成对应于各个患者的所述预约特征向量。
具体地,在本申请实施例中,所述特征级联模块250,用于将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量。也就是,在本申请的技术方案中,在得到所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量后,进一步将这两个所述特征向量基于患者样本维度进行级联以整合所述各个患者的预约需求状态特征与历史病情隐含特征信息,从而得到所述多个患者的多个患者特征向量。
更具体地,在本申请实施例中,所述特征级联模块,包括:首先,以线性变换将所述对应于各个患者的病历特征向量调整至统一的长度以及将所述对应于各个患者的预约特征向量调整至统一的长度。然后,以长度相同的零值向量作为未匹配到病历信息的患者的病历特征向量。这样,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联就能够得到所述多个患者的多个患者特征向量。
图3图示了根据本申请实施例的医院综合信息管理***中特征级联模块的框图。如图3所示,所述特征级联模块250,包括:线性调整单元251,用于以线性变换将所述对应于各个患者的病历特征向量调整至统一的长度以及将所述对应于各个患者的预约特征向量调整至统一的长度;以及,病历特征补足单元252,用于以长度相同的零值向量作为未匹配到病历信息的患者的病历特征向量。
具体地,在本申请实施例中,所述数据密集权重因数计算模块260,用于计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成。应可以理解,在本申请的技术方案中,在得到所述多个患者的多个患者特征向量后,进一步再将所述多个患者的多个患者特征向量进行二维排列为分类特征矩阵后通过分类器中进行处理,就能够获得用于表示当前叫号序列是否合理的分类结果。但是,考虑到所述各个患者的患者特征向量中包含各个患者的预约信息和病历信息,且所述病历信息可能为空,而预约信息中的诊疗需求描述也会存在文本信息的多少问题,这对应到所述患者特征向量实质上的数据密度的差异问题。因此,在本申请的技术方案中,在将各个患者的所述患者特征向量进行二维排列时,如果不考虑数据密度的差异,可能影响卷积神经网络提取的分类矩阵的分类特征矩阵的分类效果。因此,在本申请的技术方案中,进一步计算所述患者特征向量之间的数据密集权重因数。
更具体地,在本申请实施例中,所述数据密集权重因数计算模块,进一步用于:以如下公式来计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的所述数据密集权重因数;
其中,所述公式为:
其中,Vi和Vj分别表示所述多个患者特征向量中的各个患者特征向量,d(Vi,Vj)表示每两个所述患者特征向量之间的距离,⊙表示点乘,exp(·)表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数,softmax(·)表示特征向量通过分类器得到的概率值。应可以理解,这里,该所述患者特征向量之间的数据密集权重因数可以基于特征向量之间的自注意力机制,来使能特征向量之间的空间交互,从而通过所述特征向量之间的数据相异性的度量来计算不同数据密集程度的对象实例之间的相似度。因此,通过以该所述权重wi对每个所述患者特征向量Vi加权之后再进行二维排列,并卷积神经网络得到分类特征矩阵,就可以通过提升不同数据密度的特征向量之间的自适应依赖来提升所述分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。
具体地,在本申请实施例中,所述数据分布校正模块270、所述分类矩阵构造模块280和所述叫号结果生成模块290,用于以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量,并将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵,再将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。也就是,在本申请的技术方案中,在得到所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数wi后,进一步通过以该权重wi对每个所述患者特征向量Vi加权之后再按照患者样本维度进行二维排列以得到分类特征矩阵,进而将所述分类特征矩阵通过分类器中进行分类处理,就可以获得用于表示当前的叫号序列是否合理的分类结果。这样,就可以通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。
相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述医院综合信息管理***200被阐明,其通过深度神经网络模型对多个患者的多个预约信息以及所述多个患者的多个病历信息进行全局性的隐含关联特征提取,以提取出所述多个患者的预约需求状态特征与历史病情变化特征信息,进一步融合这两者的特征信息分布来进行分类,并且在此过程中,还进一步计算融合了这两者特征信息的患者特征向量之间的数据密集权重因数来作为加权系数,这样能够通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。进而,就能够为患者的就诊进行智能排序,以提高医生的看诊效率。
如上所述,根据本申请实施例的医院综合信息管理***200可以实现在各种终端设备中,例如医院综合信息管理算法的服务器等。在一个示例中,根据本申请实施例的医院综合信息管理***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该医院综合信息管理***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该医院综合信息管理***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该医院综合信息管理***200与该终端设备也可以是分立的设备,并且该医院综合信息管理***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了医院综合信息管理***的管理方法的流程图。如图4所示,根据本申请实施例的医院综合信息管理***的管理方法,包括步骤:S110,获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;S120,基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;S130,将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;S140,将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;S150,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;S160,计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;S170,以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;S180,将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及,S190,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
图5图示了根据本申请实施例的医院综合信息管理***的管理方法的架构示意图。如图5所示,在所述医院综合信息管理***的管理方法的网络架构中,首先,将获得的所述多个患者的多个预约信息(例如,如图5中所示意的P1)中的各个预约信息分别通过包含嵌入层的上下文编码器(例如,如图5中所示意的E)以得到对应于各个患者的预约特征向量(例如,如图5中所示意的VF1);接着,将获得的所述多个患者的多个病历信息(例如,如图5中所示意的P2)中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量(例如,如图5中所示意的VF2);然后,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量(例如,如图5中所示意的VF);接着,计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数(例如,如图5中所示意的DW);然后,以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量(例如,如图5中所示意的V);接着,将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵(例如,如图5中所示意的MF);以及,最后,将所述分类特征矩阵通过分类器(例如,如图5中所示意的分类器)以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
更具体地,在步骤S110和步骤S120中,获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述,并基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息。应可以理解,在本申请的技术方案中,对于患者就诊的智能排序可以基于患者的预约信息与病历信息来综合进行判断,而这本质上是一个分类的问题。也就是,通过基于患者的基础信息、预约时间和诊断需求来表示出患者的预约需求状态特征,并且通过患者的病历信息来表示出患者的历史病情变化特征,这样,基于这两个特征的融合来进行患者就诊的智能排序,以提高医生的看诊效率。也就是,具体地,在本申请的技术方案中,首先,从医院综合信息管理***中获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述,并且还基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息。
更具体地,在步骤S130和步骤S140中,将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量,并将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量。应可以理解,考虑到所述每个患者的多个预约信息还反映了患者的预约需求状态特征,并考虑到所述多个患者的多个预约信息共同影响了患者就诊的实际排序,也就是,同一时段可能会有多个患者预约同一诊室的医生,并且同一个患者也可能预约了不同诊室的医生,那么就需要根据患者的病情严重程度和预约的时间以及空余时间来实际地做出智能排序。,因此,在本申请的技术方案中,为了充分挖掘出所述多个患者的多个预约信息之间的隐含关联性特征,进一步使用包含嵌入层的上下文编码器对所述多个患者的多个预约信息中的各个预约信息进行编码处理,以得到对应于各个患者的预约特征向量。在一个具体的示例中,所述包含嵌入层的上下文编码器为基于转换器(transformer)的Bert模型,其中,所述Bert模型能够利用所述转换器的内在结构对所述多个患者的多个预约信息进行基于掩码的全局上下文语义编码以得到对应于各个患者的预约特征向量。
然后,同样地,也将所述多个患者的多个病历信息中的各个病历信息也分别通过所述包含嵌入层的上下文编码器中进行编码处理,以提取出所述多个患者的多个病历信息中的各个病历信息的高维隐含关联特征,从而得到对应于各个患者的病历特征向量。这里,所述各个患者的病历特征向量能够表示患者的历史病情变化隐含特征信息。
更具体地,在步骤S150中,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量。也就是,在本申请的技术方案中,在得到所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量后,进一步将这两个所述特征向量基于患者样本维度进行级联以整合所述各个患者的预约需求状态特征与历史病情隐含特征信息,从而得到所述多个患者的多个患者特征向量。
更具体地,在步骤S160中,计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成。应可以理解,在本申请的技术方案中,在得到所述多个患者的多个患者特征向量后,进一步再将所述多个患者的多个患者特征向量进行二维排列为分类特征矩阵后通过分类器中进行处理,就能够获得用于表示当前叫号序列是否合理的分类结果。但是,考虑到所述各个患者的患者特征向量中包含各个患者的预约信息和病历信息,且所述病历信息可能为空,而预约信息中的诊疗需求描述也会存在文本信息的多少问题,这对应到所述患者特征向量实质上的数据密度的差异问题。因此,在本申请的技术方案中,在将各个患者的所述患者特征向量进行二维排列时,如果不考虑数据密度的差异,可能影响卷积神经网络提取的分类矩阵的分类特征矩阵的分类效果。因此,在本申请的技术方案中,进一步计算所述患者特征向量之间的数据密集权重因数。应可以理解,这里,该所述患者特征向量之间的数据密集权重因数可以基于特征向量之间的自注意力机制,来使能特征向量之间的空间交互,从而通过所述特征向量之间的数据相异性的度量来计算不同数据密集程度的对象实例之间的相似度。因此,通过以该所述权重wi对每个所述患者特征向量Vi加权之后再进行二维排列,并卷积神经网络得到分类特征矩阵,就可以通过提升不同数据密度的特征向量之间的自适应依赖来提升所述分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。
更具体地,在步骤S170、步骤S180和步骤S190中,以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量,并将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵,再将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。也就是,在本申请的技术方案中,在得到所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数wi后,进一步通过以该权重wi对每个所述患者特征向量Vi加权之后再按照患者样本维度进行二维排列以得到分类特征矩阵,进而将所述分类特征矩阵通过分类器中进行分类处理,就可以获得用于表示当前的叫号序列是否合理的分类结果。这样,就可以通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。
相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述医院综合信息管理***的管理方法被阐明,其通过深度神经网络模型对多个患者的多个预约信息以及所述多个患者的多个病历信息进行全局性的隐含关联特征提取,以提取出所述多个患者的预约需求状态特征与历史病情变化特征信息,进一步融合这两者的特征信息分布来进行分类,并且在此过程中,还进一步计算融合了这两者特征信息的患者特征向量之间的数据密集权重因数来作为加权系数,这样能够通过提升不同数据密度的特征向量之间的自适应依赖来提升分类特征矩阵作为整体对于分类目标函数的数据密度自适应性,从而提高分类准确性。进而,就能够为患者的就诊进行智能排序,以提高医生的看诊效率。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种医院综合信息管理***,其特征在于,包括:
预约信息模块,用于获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;
病历信息模块,用于基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;
预约信息编码模块,用于将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;
病历信息编码模块,用于将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;
特征级联模块,用于将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;
数据密集权重因数计算模块,用于计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;
数据分布校正模块,用于以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;
分类矩阵构造模块,用于将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及
叫号结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
2.根据权利要求1所述的医院综合信息管理***,其中,所述预约信息编码模块,包括:
第一词嵌入单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个预约信息中的各个预约信息转化为输入向量以获得预约输入向量的序列;
第一上下文编码单元,用于使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述预约输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个预约输入特征向量;
第一级联单元,用于将所述多个预约输入特征向量进行级联以生成对应于各个患者的所述预约特征向量。
3.根据权利要求2所述的医院综合信息管理***,其中,所述病历信息编码模块,包括:
第二词嵌入单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个病历信息中的各个病历信息转化为输入向量以获得病历输入向量的序列;
第二上下文编码单元,用于使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述病历输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个病历输入特征向量;
第二级联单元,用于将所述多个病历输入特征向量进行级联以生成对应于各个患者的所述病历特征向量。
4.根据权利要求3所述的医院综合信息管理***,其中,所述特征级联模块,包括:
线性调整单元,用于以线性变换将所述对应于各个患者的病历特征向量调整至统一的长度以及将所述对应于各个患者的预约特征向量调整至统一的长度;以及
病历特征补足单元,用于以长度相同的零值向量作为未匹配到病历信息的患者的病历特征向量。
6.根据权利要求5所述的医院综合信息管理***,其中,所述叫号结果生成模块,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
7.一种医院综合信息管理***的管理方法,其特征在于,包括:
获取多个患者的多个预约信息,其中,所述预约信息包括患者基础信息、预约时间信息和诊断需求描述;
基于所述多个患者的患者基础信息从病历数据库获得匹配的病历信息;
将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量;
将所述多个患者的多个病历信息中的各个病历信息分别通过所述包含嵌入层的上下文编码器以得到对应于各个患者的病历特征向量;
将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量;
计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,其中,所述数据密集权重因数基于将各个患者特征向量通过Softmax分类函数所得到的概率值以及各个患者特征向量之间的数据相异性的度量来生成;
以所述多个患者的多个患者特征向量中各个患者特征向量的数据密集权重因数作为加权权重分别对所述多个患者的多个患者特征向量中各个患者特征向量进行加权以获得所述多个患者的多个加权后患者特征向量;
将所述多个患者的多个加权后患者特征向量按照患者样本维度进行二维排列以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前的叫号序列是否合理。
8.根据权利要求7所述的医院综合信息管理***的管理方法,其中,将所述多个患者的多个预约信息中的各个预约信息分别通过包含嵌入层的上下文编码器以得到对应于各个患者的预约特征向量,包括:
使用所述包含嵌入层的上下文编码器的嵌入层将所述多个患者的多个预约信息中的各个预约信息转化为输入向量以获得预约输入向量的序列;
使用所述包含嵌入层的上下文编码器的基于转换器的Bert模型对所述预约输入向量的序列进行基于全局掩码结构的全局语义编码以得到多个预约输入特征向量;
将所述多个预约输入特征向量进行级联以生成对应于各个患者的所述预约特征向量。
9.根据权利要求8所述的医院综合信息管理***的管理方法,其中,将所述对应于各个患者的病历特征向量和所述对应于各个患者的预约特征向量基于患者样本维度进行级联以得到所述多个患者的多个患者特征向量,包括:
以线性变换将所述对应于各个患者的病历特征向量调整至统一的长度以及将所述对应于各个患者的预约特征向量调整至统一的长度;以及
以长度相同的零值向量作为未匹配到病历信息的患者的病历特征向量。
10.根据权利要求9所述的医院综合信息管理***的管理方法,其中,计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的数据密集权重因数,包括:
以如下公式来计算所述多个患者的多个患者特征向量中各个患者特征向量相对于其他患者特征向量的所述数据密集权重因数;
其中,所述公式为:
其中,Vi和Vj分别表示所述多个患者特征向量中的各个患者特征向量,d(Vi,Vj)表示每两个所述患者特征向量之间的距离,⊙表示点乘,exp(·)表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数,softmax(·)表示特征向量通过分类器得到的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899435.9A CN115116592A (zh) | 2022-07-28 | 2022-07-28 | 医院综合信息管理***及其管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899435.9A CN115116592A (zh) | 2022-07-28 | 2022-07-28 | 医院综合信息管理***及其管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115116592A true CN115116592A (zh) | 2022-09-27 |
Family
ID=83335181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899435.9A Withdrawn CN115116592A (zh) | 2022-07-28 | 2022-07-28 | 医院综合信息管理***及其管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116592A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN116504382A (zh) * | 2023-05-29 | 2023-07-28 | 杭州医锐联科技有限公司 | 远程医疗监护***及其方法 |
CN117095802A (zh) * | 2023-10-17 | 2023-11-21 | 吉林大学 | 陪护人员的智能管理***及其方法 |
-
2022
- 2022-07-28 CN CN202210899435.9A patent/CN115116592A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116504382A (zh) * | 2023-05-29 | 2023-07-28 | 杭州医锐联科技有限公司 | 远程医疗监护***及其方法 |
CN116504382B (zh) * | 2023-05-29 | 2023-11-24 | 北京智胜远景科技有限公司 | 远程医疗监护***及其方法 |
CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN116431004B (zh) * | 2023-06-01 | 2023-08-29 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN117095802A (zh) * | 2023-10-17 | 2023-11-21 | 吉林大学 | 陪护人员的智能管理***及其方法 |
CN117095802B (zh) * | 2023-10-17 | 2024-01-26 | 吉林大学 | 陪护人员的智能管理***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115116592A (zh) | 医院综合信息管理***及其管理方法 | |
CN108922608A (zh) | 智能导诊方法、装置、计算机设备和存储介质 | |
CN113688912B (zh) | 基于人工智能的对抗样本生成方法、装置、设备及介质 | |
CN115512420A (zh) | 访客管理***及其方法 | |
CN107153775B (zh) | 一种智能分诊方法及装置 | |
EP3909061A1 (en) | Automated generation of codes | |
CN114821169A (zh) | 微服务架构下的方法级无侵入调用链路追踪方法 | |
CN116386869A (zh) | 一种基于多变量的病情危重程度评估方法 | |
CN116010586A (zh) | 一种健康建议的生成方法、装置、设备及存储介质 | |
CN114566190A (zh) | 基于语音特征的预警方法、***及其电子设备 | |
CN115424660A (zh) | 一种使用预测模型预测多源信息关系的方法、装置 | |
CN114884772A (zh) | 裸机vxlan的部署方法、***和电子设备 | |
KR20230022005A (ko) | 화합물 정보 추출을 위한 장치 및 방법 | |
Xue et al. | Self-adaptive weight based on dual-attention for differentiable neural architecture search | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN116894498A (zh) | 网络模型的训练方法、策略识别方法、装置以及设备 | |
CN112992367B (zh) | 基于大数据的智慧医疗交互方法及智慧医疗云计算*** | |
CN114627993A (zh) | 信息预测方法、装置、存储介质及计算机设备 | |
Villmann | Neural networks approaches in medicine-a review of actual developments. | |
Cao et al. | MUP: Multi-granularity Unified Perception for Panoramic Activity Recognition | |
CN113393934B (zh) | 基于生命体征大数据的健康趋势估计方法和预测*** | |
Koo | Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation | |
Villmann | Evolutionary algorithms using a neural network like migration scheme | |
Yu | Minimally invasive surgery for sparse neural networks in contrastive manner | |
CN115994227B (zh) | 医学术语标准化模型的构建方法、装置、终端设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220927 |