CN115662593B - 基于症状知识图谱的医患匹配方法、装置、设备及介质 - Google Patents
基于症状知识图谱的医患匹配方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115662593B CN115662593B CN202211394235.4A CN202211394235A CN115662593B CN 115662593 B CN115662593 B CN 115662593B CN 202211394235 A CN202211394235 A CN 202211394235A CN 115662593 B CN115662593 B CN 115662593B
- Authority
- CN
- China
- Prior art keywords
- symptom
- current
- historical
- target
- patient
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种基于症状知识图谱的医患匹配方法、装置、设备及介质,该方法通过患者当前位置区域内各医院对应的症状知识图谱,对患者当前症状进行症状匹配,可以对患者当前症状进行初步诊断,且可以确定对患者当前症状具备治疗能力的医院;通过对当前患者对应的目标相关参数的权重计算,确定当前位置区域内各医院对于患者当前症状的治疗能力,并获得治愈排序,从而确定当前位置区域内各医院中对于患者当前症状治愈概率最高的医院,作为目标医院,以提高患者的治愈概率。由此,基于各医院的历史诊断数据生成的症状知识图谱,可以实现对患者当前症状的快速诊断和医院匹配,提高了医患匹配的精确度。
Description
技术领域
本申请涉及模型匹配技术领域,尤其涉及一种基于症状知识图谱的医患匹配方法、装置、设备及介质。
背景技术
医患匹配存在两种形式,包括患者主动的医患匹配,如患者主动就医,以及医生主动的医患匹配,比如救护车将患者送到指定医院。
但是患者本身不具备诊断能力,救护车上虽然有随车医生,但是随车医生只负责急救任务,而不负责诊断任务,所以救护车一般都是采用就近原则,将患者送至最近的医院,而不考虑医院的救治能力。由此,可能会因为诊断延迟或者对医院救治能力错估而影响患者病情的治疗。
因此,如何提高医患匹配的精确度成为了目前亟待解决的技术问题。
发明内容
本申请提供了一种基于症状知识图谱的医患匹配方法、装置、设备及存储介质,可以提高医患匹配的精确度。
第一方面,本申请提供一种基于症状知识图谱的医患匹配方法,所述基于症状知识图谱的医患匹配方法包括以下步骤:
获取当前患者的当前症状和当前位置区域;
基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
进一步地,所述获取当前患者的当前症状和当前位置区域之前,还包括:
获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据;
基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词;
将所述目标标准词作为症状节点,构架所述症状知识图谱。
进一步地,所述基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词,包括:
遍历所述历史病史数据中的至少一个诊断病历;
在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词。
进一步地,所述在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词,包括:
在所述诊断病历存在相同诊断结果时,确定所述相同诊断结果对应的至少两个相似症状;
对比所述相似症状之间的偏离度,将所述相似症状区分为标准词和同义词;
将所述同义词标记为对应的所述标准词,并所述标准词作为所述目标标准词。
进一步地,所述获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据之后,还包括:
基于所述历史病史数据和所述历史症状数据,获得各历史症状的出现频率、症状等级、治疗结果和危重程度,作为训练相关参数;
基于各训练相关参数对应的预设权重,计算各历史症状对应的预测治疗结果;
获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状;
基于所述目标训练症状对应的所述历史病史所述和所述历史症状数据,训练匹配模型,获得所述预设匹配模型。
进一步地,所述获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状,包括:
在所述历史症状对应的所述预测治疗结果和所述实际治疗结果不匹配时,作为训练矫正症状;
在所述历史症状对应所述预测治疗结果和所述实际治疗结果相匹配时,确定所述历史症状为所述目标训练症状。
进一步地,所述基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数,包括:
获得所述当前症状在所述症状知识图谱中命中的至少一个历史症状;
获取所述当前症状命中所述历史症状的命中频率,和/或所述当前症状对应的目标症状等级,和/或获取各历史症状对应的治疗结果,和/或所述当前症状命中的各历史症状的危重排序结果,作为所述目标相关参数。
第二方面,本申请还提供一种基于症状知识图谱的医患匹配装置,所述基于症状知识图谱的医患匹配装置包括:
当前症状获取模块,用于获取当前患者的当前症状和当前位置区域;
症状匹配模块,用于基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
治愈排序模块,用于基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
目标医院确定模块,用于基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
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,实现如上述的基于症状知识图谱的医患匹配方法的步骤。
第四方面,本申请还提供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,其中所述计算机程序被处理器执行时,实现如上述的基于症状知识图谱的医患匹配方法的步骤。
本申请提供一种基于症状知识图谱的医患匹配方法、装置、设备及存储介质,本方法包括获取当前患者的当前症状和当前位置区域;基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。本申请通过患者当前位置区域内各医院对应的症状知识图谱,对患者当前症状进行症状匹配,可以对患者当前症状进行初步诊断,且可以确定对患者当前症状具备治疗能力的医院;通过对当前患者对应的目标相关参数的权重计算,确定当前位置区域内各医院对于患者当前症状的治疗能力,并获得治愈排序,从而确定当前位置区域内各医院中对于患者当前症状治愈概率最高的医院,作为目标医院,以提高患者的治愈概率。由此,基于各医院的历史诊断数据生成的症状知识图谱,可以实现对患者当前症状的快速诊断和医院匹配,避免了在没有诊断设备时无法对病症进行诊断的问题,提高了医患匹配的精确度。
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为本申请的实施例提供的基于症状知识图谱的医患匹配方法第一实施例的流程示意图;
图2为本申请提供的症状知识图谱构建方法一实施例的流程示意图;
图3为本申请提供的预设匹配模型构建方法一实施例的流程示意图;
图4是本申请的实施例提供的一种基于症状知识图谱的医患匹配装置的示意性框图;
图5是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。
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。
本申请的实施例提供了一种基于症状知识图谱的医患匹配方法、基于症状知识图谱的医患匹配装置、计算机设备及存储介质,用于根据页面配置数据,匹配并调用预设业务事件库中的目标业务事件,进而对目标页面组件进行渲染,生成目标页面,提高了前端页面的研发效率。
请参照图1,图1为本申请的实施例提供的基于症状知识图谱的医患匹配方法第一实施例的流程示意图。
如图1所示,该基于症状知识图谱的医患匹配方法包括步骤S101至步骤S103。
步骤S101、获取当前患者的当前症状和当前位置区域;
本实施例中,可以根据患者描述或者救护车随车医生的初步诊断,获得当前患者的症状,以便预测模型能够更精确地对当前患者的病症进行初步诊断。获取当前患者的当前位置区域,可以获得当前位置区域内各医院的信息,包括包括诊断数据等的症状知识图谱以及各医院的位置信息。
在一实施例中,比如当前患者的当前症状为胸部疼痛,引起胸部疼痛的原因会有很多,比如遭受重击,那么可以判断是外部撞击引起,再进一步地,比如按压疼痛加剧,那么可能存在胸部骨折的现象,此时医生可以根据常见症状,进一步诊断或者引导患者描述更具体的症状,以便更精确地对当前患者的当前症状进行诊断。
在一实施例中,可以根据医院位置分布对区域地图进行划分,比如某一座城市中具备若干医院,可以将其中分布较为集中或者分布距离较近的多个医院划分到同一位置区域内,而位置比较偏远的则单独划分,从而将城市划分为若干个位置区域。
在一实施例中,也可以根据当前患者的当前位置,获得当前位置一定距离范围的区域,作为当前位置区域,比如以当前患者的当前位置为圆心,周围5km范围内的区域,作为当前位置区域,获得当前位置区域内的所有医院信息,包括各医院对应的症状知识图谱和位置信息等。
步骤S102、基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
本实施例中,在症状知识图谱中,匹配当前症状所对应的历史症状,获得当前对应的至少一个诊断结果,并且根据诊断结果,获得至少一个目标相关参数,用于对当前症状进行进一步地诊断。
在一实施例中,获得所述当前症状在所述症状知识图谱中命中的至少一个历史症状;获取所述当前症状命中所述历史症状的命中频率,和/或所述当前症状对应的目标症状等级,和/或获取各历史症状对应的治疗结果,和/或所述当前症状命中的各历史症状的危重排序结果,作为所述目标相关参数。
在一实施例中,在症状知识图谱中,针对每个症状,可以将每个症状在症状知识图谱出现的频率为第一相关参数,症状所关联的患者评级为第二相关参数,症状所关联的患者治疗结果为第三相关参数,由医生对于所有症状进行分级,根据危重程度进行排序,次排序作为第四相关参数。
步骤S103、基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
本实施例中,将相关参数作为输入,输入到预设匹配模型中,根据医生对于各相关参数设置的各预设权重,输出各医院对于当前症状的治愈概率,并且根据治愈概率对各医院进行排序。
在一实施例中,可以根据各相关参数对于症状诊断的影响程度设置权重,比如第一相关参数为症状命中频率,当症状命中频率出现较多时,则表示该症状对应的诊断结果较多,则该症状可能是常见症状,其权重可以设置偏小。
在一实施例中,第二相关参数表示患者评级,如果患者评级较低,则表示该患者当前病情不是特别紧急,可以设置权重偏小,则可以选择治愈概率最高的医院,相反,如果患者当前病情特别紧急,则需要设置权重偏大,更多的需要考虑就诊时间,则需要选择能够最快对当前患者进行治疗的医院,以便稳定患者病情。
在一实施例中,第三相关参数表示患者治疗结果,患者治疗结果表示各医院对于当前症状的治疗效果,可以将其权重设置偏大,在匹配过程中,可以推荐其中治疗情况高的医院。
在一实施例中,第四相关参数表示危重程度,该部分可以根据专家意见进行定级,可以根据不同危重程度设置对应的权重,比如危重程度比较高的权重可以设置较大,而危害程度比较低的则可以将权重设置较小。
步骤S104、基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
本实施例中,在综合考虑多个相关参数之后,确定当前位置区域内可以对当前患者的当前症状进行治疗的所有医院,并且根据各医院对于当前症状的治疗情况对各医院进行排序,选择其中整体治疗情况高的医院作为优先推荐的目标医院。
本实施例提供一种基于症状知识图谱的医患匹配方法,本方法通过患者当前位置区域内各医院对应的症状知识图谱,对患者当前症状进行症状匹配,可以对患者当前症状进行初步诊断,且可以确定对患者当前症状具备治疗能力的医院;通过对当前患者对应的目标相关参数的权重计算,确定当前位置区域内各医院对于患者当前症状的治疗能力,并获得治愈排序,从而确定当前位置区域内各医院中对于患者当前症状治愈概率最高的医院,作为目标医院,以提高患者的治愈概率。由此,基于各医院的历史诊断数据生成的症状知识图谱,可以实现对患者当前症状的快速诊断和医院匹配,避免了在没有诊断设备时无法对病症进行诊断的问题,提高了医患匹配的精确度。
请参照图2,图2为本申请提供的症状知识图谱构建方法一实施例的流程示意图。
如图2所示,该症状知识图谱构建方法包括步骤S201至步骤S203。
步骤S201、获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据;
本实施例中,可以获取各医院的历史病患的电子病历,电子病历中包括患者的历史病史数据和历史症状数据。
在一实施例中,根据电子病历中的历史病史数据和历史症状数据,可以得到各种病症诊断结果,对应的症状和治疗结果等信息,比如诊断结果为急性肠胃炎,对应的症状为恶心、呕吐、腹痛、腹泻、呕吐起病急骤等,治疗结果则可以包括治疗数量、治愈比例以及复发比例等。
步骤S202、基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词;
本实施例中,不同的医院或者医生,对于同一病症的命名可能存在差异,以及不同病症具备相同或者相似的症状可以设置一套标准词,对病症进行统一,然后从历史病史数据和历史症状数据中提取与标准词相同或者相似的诊断结果,提取出对应的诊断结果、症状和治疗情况等数据。
在一实施例中,遍历所述历史病史数据中的至少一个诊断病历;在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词。
在一实施例中,在所述诊断病历存在相同诊断结果时,确定所述相同诊断结果对应的至少两个相似症状;对比所述相似症状之间的偏离度,将所述相似症状区分为标准词和同义词;将所述同义词标记为对应的所述标准词,并所述标准词作为所述目标标准词。
在一实施例中,首先根据教材中对症状的描述建立一套标准词,以字符串匹配的方式用标准词扫描所有的电子病历,比对具有相同诊断的病历扫描出的症状之间的偏离度,再将偏离度大的病历提取出来进行人工矫正,最终得到一套标准词和同义词。
步骤S203、将所述目标标准词作为症状节点,构架所述症状知识图谱。
在一实施例中,将其中的标准词作为症状节点,同义词按照标准词提取,得出一套高精度知识图谱提取的方法。
请参照图3,图3为本申请提供的预设匹配模型构建方法一实施例的流程示意图。
如图3所示,该症状知识图谱构建方法包括步骤S301至步骤S304。
步骤S301、基于所述历史病史数据和所述历史症状数据,获得各历史症状的出现频率、症状等级、治疗结果和危重程度,作为训练相关参数;
步骤S302、基于各训练相关参数对应的预设权重,计算各历史症状对应的预测治疗结果;
步骤S303、获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状;
在一实施例中,在所述历史症状对应的所述预测治疗结果和所述实际治疗结果不匹配时,作为训练矫正症状;在所述历史症状对应所述预测治疗结果和所述实际治疗结果相匹配时,确定所述历史症状为所述目标训练症状。
步骤S304、基于所述目标训练症状对应的所述历史病史所述和所述历史症状数据,训练匹配模型,获得所述预设匹配模型。
本实施例中,在获得历史病史数据和历史症状数据之后,可以根据症状出现频率、症状等级、治疗结果和危重程度等作为症状诊断的主要影响因素,即相关参数;根据各相关参数的权重,对各相关参数进行综合考虑,从而训练模型对症状诊断结果进行预测,结合实际诊断结果,判断模型训练效果,并及时纠正,一直到模型预测的准确率达到预设值,即可利用该模型进行症状诊断。
在一实施例中,将各相关参数分为正相关参数和负相关参数,加权值由专家进行设定,将临床数据中患者结局为非常好的临床数据进行训练,按照时间进行排列,用历史早起的数据进行训练,将历史末期的数据作为输入,看输出结论与事实是否相符,将不相符的事件人工检出,作为训练数据集的矫正,得出一套医患匹配模型。
请参阅图4,图4是本申请的实施例提供的一种基于症状知识图谱的医患匹配装置的示意性框图,该基于症状知识图谱的医患匹配装置用于执行前述的基于症状知识图谱的医患匹配方法。其中,该基于症状知识图谱的医患匹配装置可以配置于终端中。
如图4所示,该基于症状知识图谱的医患匹配装置100,包括:当前症状获取模块101、症状匹配模块102、治愈排序模块103、目标医院确定模块104。
当前症状获取模块101,用于获取当前患者的当前症状和当前位置区域;
症状匹配模块102,用于基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
治愈排序模块103,用于基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
目标医院确定模块104,用于基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
在一实施例中,所述基于症状知识图谱的医患匹配装置100还包括症状知识图谱构建模块,用于实现获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据;基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词;将所述目标标准词作为症状节点,构架所述症状知识图谱。
在一实施例中,所述症状知识图谱构建模块,还用于实现遍历所述历史病史数据中的至少一个诊断病历;在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词。
在一实施例中,所述症状知识图谱构建模块,还用于实现在所述诊断病历存在相同诊断结果时,确定所述相同诊断结果对应的至少两个相似症状;对比所述相似症状之间的偏离度,将所述相似症状区分为标准词和同义词;将所述同义词标记为对应的所述标准词,并所述标准词作为所述目标标准词。
在一实施例中,所述基于症状知识图谱的医患匹配装置100还包括预设匹配模型构建模块,用于实现基于所述历史病史数据和所述历史症状数据,获得各历史症状的出现频率、症状等级、治疗结果和危重程度,作为训练相关参数;基于各训练相关参数对应的预设权重,计算各历史症状对应的预测治疗结果;获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状;基于所述目标训练症状对应的所述历史病史所述和所述历史症状数据,训练匹配模型,获得所述预设匹配模型。
在一实施例中,所述预设匹配模型构建模块,还用于实现在所述历史症状对应的所述预测治疗结果和所述实际治疗结果不匹配时,作为训练矫正症状;在所述历史症状对应所述预测治疗结果和所述实际治疗结果相匹配时,确定所述历史症状为所述目标训练症状。
在一实施例中,所述症状匹配模块102,还用于实现获得所述当前症状在所述症状知识图谱中命中的至少一个历史症状;获取所述当前症状命中所述历史症状的命中频率,和/或所述当前症状对应的目标症状等级,和/或获取各历史症状对应的治疗结果,和/或所述当前症状命中的各历史症状的危重排序结果,作为所述目标相关参数。
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的具体工作过程,可以参考前述基于症状知识图谱的医患匹配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5所示的计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是终端。
参阅图5,该计算机设备包括通过***总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***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,可使得处理器执行任意一种基于症状知识图谱的医患匹配方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于症状知识图谱的医患匹配方法。
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5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,处理器可以是中央处理单元 (Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取当前患者的当前症状和当前位置区域;
基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
在一实施例中,所述处理器在实现所述获取当前患者的当前症状和当前位置区域之前,还用于实现:
获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据;
基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词;
将所述目标标准词作为症状节点,构架所述症状知识图谱。
在一实施例中,所述处理器在实现所述基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词时,用于实现:
遍历所述历史病史数据中的至少一个诊断病历;
在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词。
在一实施例中,所述处理器在实现所述在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词时,用于实现:
在所述诊断病历存在相同诊断结果时,确定所述相同诊断结果对应的至少两个相似症状;
对比所述相似症状之间的偏离度,将所述相似症状区分为标准词和同义词;
将所述同义词标记为对应的所述标准词,并所述标准词作为所述目标标准词。
在一实施例中,所述处理器在实现所述获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据之后,还用于实现:
基于所述历史病史数据和所述历史症状数据,获得各历史症状的出现频率、症状等级、治疗结果和危重程度,作为训练相关参数;
基于各训练相关参数对应的预设权重,计算各历史症状对应的预测治疗结果;
获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状;
基于所述目标训练症状对应的所述历史病史所述和所述历史症状数据,训练匹配模型,获得所述预设匹配模型。
在一实施例中,所述处理器在实现所述获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状时,用于实现:
在所述历史症状对应的所述预测治疗结果和所述实际治疗结果不匹配时,作为训练矫正症状;
在所述历史症状对应所述预测治疗结果和所述实际治疗结果相匹配时,确定所述历史症状为所述目标训练症状。
在一实施例中,所述处理器在实现所述基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数时,用于实现:
获得所述当前症状在所述症状知识图谱中命中的至少一个历史症状;
获取所述当前症状命中所述历史症状的命中频率,和/或所述当前症状对应的目标症状等级,和/或获取各历史症状对应的治疗结果,和/或所述当前症状命中的各历史症状的危重排序结果,作为所述目标相关参数。
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。
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)
1.一种基于症状知识图谱的医患匹配方法,其特征在于,所述方法包括以下步骤:
获取当前患者的当前症状和当前位置区域;
基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
其中,所述目标相关参数包括所述当前症状在症状知识图谱中命中的各历史症状的命中频率、和/或所述当前症状对应的目标症状等级、和/或所述当前症状在症状知识图谱中命中的各历史症状对应的治疗结果、和/或所述当前症状在症状知识图谱中命中的各历史症状的危重排序结果;
基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
其中,所述预设匹配模型用于根据各所述目标相关参数以及各所述目标相关参数对应的各所述预设权重,计算各医院对于所述当前症状的治愈概率,并且根据所述治愈概率对各医院进行排序;
基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
2.根据权利要求1所述的基于症状知识图谱的医患匹配方法,其特征在于,所述获取当前患者的当前症状和当前位置区域之前,还包括:
获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据;
基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词;
将所述目标标准词作为症状节点,构架所述症状知识图谱。
3.根据权利要求2所述的基于症状知识图谱的医患匹配方法,其特征在于,所述基于预设标准词,在所述历史病史数据和所述历史症状数据中提取目标标准词,包括:
遍历所述历史病史数据中的至少一个诊断病历;
在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词。
4.根据权利要求3所述的基于症状知识图谱的医患匹配方法,其特征在于,所述在所述诊断病历对应的所述历史症状数据和所述预设标准词对应的症状数据中,匹配具有所述预设标准词的目标症状,将所述目标症状对应的所述预设标准词作为所述目标标准词,包括:
在所述诊断病历存在相同诊断结果时,确定所述相同诊断结果对应的至少两个相似症状;
对比所述相似症状之间的偏离度,将所述相似症状区分为标准词和同义词;
将所述同义词标记为对应的所述标准词,并所述标准词作为所述目标标准词。
5.根据权利要求2所述的基于症状知识图谱的医患匹配方法,其特征在于,所述获取当前位置区域内各医院的历史患者的历史病史数据和历史症状数据之后,还包括:
基于所述历史病史数据和所述历史症状数据,获得各历史症状的出现频率、症状等级、治疗结果和危重程度,作为训练相关参数;
基于各训练相关参数对应的预设权重,计算各历史症状对应的预测治疗结果;
获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状;
基于所述目标训练症状对应的所述历史病史数据和所述历史症状数据,训练匹配模型,获得所述预设匹配模型。
6.根据权利要求5所述的基于症状知识图谱的医患匹配方法,其特征在于,所述获取各历史症状对应的实际治疗结果,对比所述实际治疗结果和所述预测治疗结果,在所述各历史症状中确定目标训练症状,包括:
在所述历史症状对应的所述预测治疗结果和所述实际治疗结果不匹配时,作为训练矫正症状;
在所述历史症状对应所述预测治疗结果和所述实际治疗结果相匹配时,确定所述历史症状为所述目标训练症状。
7.根据权利要求1所述的基于症状知识图谱的医患匹配方法,其特征在于,所述基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数,包括:
获得所述当前症状在所述症状知识图谱中命中的至少一个历史症状;
获取所述当前症状命中所述历史症状的命中频率,和/或所述当前症状对应的目标症状等级,和/或获取各历史症状对应的治疗结果,和/或所述当前症状命中的各历史症状的危重排序结果,作为所述目标相关参数。
8.一种基于症状知识图谱的医患匹配装置,其特征在于,所述基于症状知识图谱的医患匹配装置包括:
当前症状获取模块,用于获取当前患者的当前症状和当前位置区域;
症状匹配模块,用于基于症状知识图谱,对所述当前症状进行匹配,获得所述当前症状对应的至少一个目标相关参数;
其中,所述目标相关参数包括所述当前症状在症状知识图谱中命中的各历史症状的命中频率、和/或所述当前症状对应的目标症状等级、和/或所述当前症状在症状知识图谱中命中的各历史症状对应的治疗结果、和/或所述当前症状在症状知识图谱中命中的各历史症状的危重排序结果;
治愈排序模块,用于基于预设匹配模型和各目标相关参数对应的预设权重,计算所述当前位置区域内各医院对于所述当前症状的治愈概率,获得各医院对于所述当前症状的治愈排序;
其中,所述预设匹配模型用于根据各所述目标相关参数以及各所述目标相关参数对应的各所述预设权重,计算各医院对于所述当前症状的治愈概率,并且根据所述治愈概率对各医院进行排序;
目标医院确定模块,用于基于所述各医院对于所述当前症状的治愈排序,在所述当前位置区域内各医院中确定所述当前患者匹配的目标医院。
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中任一项所述的基于症状知识图谱的医患匹配方法的步骤。
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中任一项所述的基于症状知识图谱的医患匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394235.4A CN115662593B (zh) | 2022-11-08 | 2022-11-08 | 基于症状知识图谱的医患匹配方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394235.4A CN115662593B (zh) | 2022-11-08 | 2022-11-08 | 基于症状知识图谱的医患匹配方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115662593A CN115662593A (zh) | 2023-01-31 |
CN115662593B true CN115662593B (zh) | 2023-06-23 |
Family
ID=85016766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211394235.4A Active CN115662593B (zh) | 2022-11-08 | 2022-11-08 | 基于症状知识图谱的医患匹配方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115662593B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110993078A (zh) * | 2019-11-27 | 2020-04-10 | 华中科技大学同济医学院附属协和医院 | 一种医疗分诊方法、装置和存储介质 |
CN111785367A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技(深圳)有限公司 | 基于神经网络模型的分诊方法、装置和计算机设备 |
CN113656601A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
CN113658712A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
-
2022
- 2022-11-08 CN CN202211394235.4A patent/CN115662593B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN115662593A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107743630B (zh) | 使用循环神经网络预测满足条件的可能性 | |
US11488718B2 (en) | Computer aided medical method and medical system for medical prediction | |
CN107851462B (zh) | 使用循环神经网络分析健康事件 | |
Gartner et al. | Machine learning approaches for early DRG classification and resource allocation | |
JP6782802B2 (ja) | 計算機システム、計算機システムにより実行される方法及びプログラム | |
CN112449696B (zh) | 时序数据诊断装置、追加学习方法及程序 | |
WO2021179630A1 (zh) | 一种并发症风险预测***、方法、装置、设备及介质 | |
US20210398674A1 (en) | Method for providing diagnostic system using semi-supervised learning, and diagnostic system using same | |
CN114298234B (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
WO2020172607A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
US20210174968A1 (en) | Visualization of Social Determinants of Health | |
US20220172805A1 (en) | System and method for automatically determining serious adverse events | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN116312934A (zh) | 医疗服务推荐方案生成方法、装置、设备及可读存储介质 | |
CN109102845B (zh) | 医疗单据审核方法、装置、计算机设备和存储介质 | |
CN115662593B (zh) | 基于症状知识图谱的医患匹配方法、装置、设备及介质 | |
CN115719640B (zh) | 中医主次症状识别***、装置、电子设备及其存储介质 | |
WO2023050668A1 (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN113066580A (zh) | 一种医疗评分确定方法、装置、电子设备及存储介质 | |
Van Houtte et al. | Acute admission risk stratification of New Zealand primary care patients using demographic, multimorbidity, service usage and modifiable variables | |
US10335092B1 (en) | Building predicted future medical profiles | |
CN117497158B (zh) | 基于维度组合与权重计算推荐分诊等级的方法 | |
US20230411004A1 (en) | System and method for predicting postoperative bed type | |
EP3961648A1 (en) | Computing device for estimating the probability of myocardial infarction | |
CN117153378B (zh) | 一种导诊方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |