CN116741358A - 问诊挂号推荐方法、装置、设备及存储介质 - Google Patents
问诊挂号推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116741358A CN116741358A CN202310707790.6A CN202310707790A CN116741358A CN 116741358 A CN116741358 A CN 116741358A CN 202310707790 A CN202310707790 A CN 202310707790A CN 116741358 A CN116741358 A CN 116741358A
- Authority
- CN
- China
- Prior art keywords
- inquiry
- symptoms
- consultation
- type
- registration
- 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 38
- 208000024891 symptom Diseases 0.000 claims abstract description 157
- 238000003745 diagnosis Methods 0.000 claims description 19
- 201000010099 disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,揭露一种问诊挂号推荐方法,包括:基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;获取未做问诊类型信息每个未做问诊类型对应的问诊模型及用户问诊数据;利用未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;提取挂号请求信息中的用户信息,基于用户信息生成问诊对话文本,并获取用户基于问诊对话文本的回复,得到回复文本;提取回复文本中的症状,得到回复问诊症状,基于回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。本发明还提出一种问诊挂号推荐装置、设备以及介质。本发明可以提高问诊挂号推荐的准确率。
Description
技术领域
本发明涉及人工智能技术及数字医疗技术,尤其涉及一种问诊挂号推荐方法、装置、电子设备及存储介质。
背景技术
患者在进行问诊挂号时,一般需要向用户推荐对应的科室,以便进行问诊分流,实现针对性的问诊。
但是,现在的挂号可以推荐只是根据用户的单一的主诉症状匹配对应的科室推荐,导致问诊挂号推荐的准确率较低。
发明内容
本发明提供一种问诊挂号推荐方法、装置、电子设备及存储介质,其主要目的在于提高了问诊挂号推荐的准确率。
接收用户的问诊挂号请求及已问诊类型信息;
基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;
获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;
利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
可选地,所述基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息,包括:
提取所述已问诊类型中的问诊类型,得到已问诊类型集;
将所述问诊类型集中存在,且在所述已问诊类型集中不存在的问诊类型确定为未问诊类型;
汇总所有所述未问诊类型,得到所述未问诊类型信息。
可选地,所述利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状,包括:
对所述用户问诊数据进行数据向量化,得到标准问诊数据;
利用所述问诊模型中的卷积层及池化层对所述标准问诊数据进行特征提取,得到特征提取矩阵;
利用所述问诊模型中的全连接层对所述特征提取矩阵进行特征压缩,得到特征向量;
将所述特征向量作为softmax函数的变量,以计算不同预设问诊症状的分类概率;
将所有所述预设问诊症状中分类概率最高的预设问诊症状确定为所述模型问诊症状。
可选地,所述提取所述回复文本中的症状,得到回复问诊症状,包括:
对所述回复文本进行分词处理,得到分词词语;
将在预设医学症状词典中存在的所述分词词语确定所述回复问诊症状。
可选地,所述提取所述回复文本中的症状,得到回复问诊症状,包括:
对所述回复文本进行实体识别,以识别所述回复文本中的症状实体,得到问诊症状实体;
对所述问诊症状实体进行实体标准化,得到所述回复问诊症状。
可选地,所述对所述问诊症状实体进行实体标准化,得到所述回复问诊症状,包括:
将所述问诊症状实体进行向量化,得到问诊实体向量;
获取预设标准症状实体集中每个标准症状实体对应的标准实体向量;
计算所述问诊实体向量与每个所述标准实体向量的向量相似度;
将最大所述向量相似度对应的标准实体向量确定为目标标准实体向量;
将所述目标标准实体向量对应的标准症状实体确定为所述回复问诊症状。
可选地,所述基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果,包括:
基于预设的疾病问诊规则对所述回复问诊症状及所有模型问诊症状进行疾病问诊判断,得到问诊疾病信息;
获取每个可挂号科室的诊疗信息;
将包含所述问诊疾病信息的诊疗信息确定为目标诊疗信息;
将所述目标诊疗信息对应的所述可挂号科室确定为所述挂号推荐结果。
为了解决上述问题,本发明还提供一种问诊挂号推荐装置,所述装置包括:
多维问诊模块,用于接收用户的问诊挂号请求及已问诊类型信息;基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
对话问诊模块,用于提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
挂号推荐模块,用于提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的问诊挂号推荐方法。
为了解决上述问题,本发明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中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的问诊挂号推荐方法。
本发明实施例基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果,除了对用户进行对话问诊外还利用模型进行不同问诊类型的症状分类,得到的用户症状更加全面,进而根据得到的用户症状进行科室推荐,与单一的根据对话问诊症状进行筛选推荐相比,筛选的范围更小,进而提高了筛选的准确率,因此本发明实施例提出的问诊挂号推荐方法、装置、电子设备及可读存储介质提高了问诊挂号推荐的准确率。
附图说明
图1为本发明一实施例提供的问诊挂号推荐方法的流程示意图;
图2为本发明一实施例提供的问诊挂号推荐装置的模块示意图;
图3为本发明一实施例提供的实现问诊挂号推荐方法的电子设备的内部结构示意图;
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种问诊挂号推荐方法。所述问诊挂号推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述问诊挂号推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的问诊挂号推荐方法的流程示意图,在本发明实施例中,所述问诊挂号推荐方法包括以下步骤:
S1、接收用户的问诊挂号请求及已问诊类型信息;
本发明实施例中问诊挂号请求为用户发出的需要进行科室挂号的请求,所述问诊挂号请求中包含用户信息,所述用户信息为包括但不限于:用户的基本信息、已做问诊的诊断信息、主诉信息等,所述已问诊类型信息中预设的问诊类型及中用户已经问诊过的问诊类型,所述已问诊类型信息可以为空白信息。
S2、基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;
本发明实施例中所述问诊类型集中包含的问诊类型为可进行智能问诊的问诊类型,包括但不限于:舌诊、面诊、闻诊、脉诊等问诊类型。
进一步地,本发明实施例中为了确定用户还有哪些问诊类型的问诊没有做过,基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息。
具体地,本发明实施例中所述基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息,包括:
提取所述已问诊类型中的问诊类型,得到已问诊类型集;
将所述问诊类型集中存在,且在所述已问诊类型集中不存在的问诊类型确定为未问诊类型;
汇总所有所述未问诊类型,得到所述未问诊类型信息。
进一步地,本发明实施例中可能存在所述未问诊类型信息为空的情况,因此,当所述未问诊信息为空时可以直接进行S5步骤。
S3、获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;
本发明实施例中由于不同未问诊类型对应的问诊模型及用户问诊数据是不同的,如:未问诊类型为“面诊”需要的用户问诊数据为用户的脸部图像;未问诊类型为“舌诊”需要的用户数据为用户问诊数据为用户的舌头的图像;未问诊类型为“闻诊”需要的是用户的声音数据(如用户朗读预设文本的语音);未问诊类型为“脉诊”需要的是用户的脉搏数据(如用户脉搏的频率及强度数据)。
S4、利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
本发明实施例中对所述问诊模型的类型不做限制,不算问诊模型的类型可以相同可以不同。
具体地,本发明实施例中为了根据所述用户问诊数据识别用户对应的症状,因此,利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状。
详细地,本发明实施例中当所述问诊模型的模型类型为卷积神经网络模型时,所述利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状,包括:
对所述用户问诊数据进行数据向量化,得到标准问诊数据;
利用所述问诊模型中的卷积层及池化层对所述标准问诊数据进行特征提取,得到特征提取矩阵;
利用所述问诊模型中的全连接层对所述特征提取矩阵进行特征压缩,得到特征向量;
将所述特征向量作为softmax函数的变量,以计算不同预设问诊症状的分类概率;
将所有所述预设问诊症状中分类概率最高的预设问诊症状确定为所述模型问诊症状。
本发明实施例中为了模型可以更好的对数据进行处理,需要对用户问诊数据进行数据预处理,如将图像、声音、文本等数据进行向量化,其中,图像、声音等数据还需要先进行降噪处理处理,本发明实施例中可利用bert模型、词袋模型、独热算法等模型或算法将不同类型的用户问诊数据进行数据向量化,得到标准问诊数据。
进一步地,本发明实施例中利用所述问诊模型中的卷积层及池化层对所述标准问诊数据进行特征提取,是利用所述问诊模型中包含卷积层及池化层的特征提取网络进行特征提取,所述特征提取网络中有一个或对多个卷积层及池化层串联得到的,本发明实施例中对所述特征提取网络中卷积层及池化层的数量及连接顺序不做进一步限制。
S5、提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
本发明实施例中为了更了进一步了解用户的主诉症状,还需要对所述用户进行问诊,因此,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本。
具体地,本发明实施例中可利用常用的对话生成模型(如GPT模型)或对话生成规则生成问诊对话文本,本发明实施例中对此不做限制。
S6、提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
本发明实施例中为了更全面的了解用户的症状,因此,提取所述回复文本中的症状。
详细地,本发明实施例中所述提取所述回复文本中的症状,得到回复问诊症状,包括:
对所述回复文本进行分词处理,得到分词词语;
将在预设医学症状词典中存在的所述分词词语确定所述回复问诊症状。
本发明另一实施例中提取所述回复文本中的症状,得到回复问诊症状,包括:
对所述回复文本进行实体识别,以识别所述回复文本中的症状实体,得到问诊症状实体;
对所述问诊症状实体进行实体标准化,得到所述回复问诊症状。
可选地,本发明实施例中可利用BiLSTM-CRF算法、IDCNN-CRF算法等实体识别算法进行实体识别。
进一步地,本发明实施例中由于用户表述的症状可能不标准,需要将识别的症状实体进行标准化,因此,对所述问诊症状实体进行实体标准化,得到所述回复问诊症状。
详细地,本发明实施例中对所述问诊症状实体进行实体标准化,得到所述回复问诊症状,包括:
将所述问诊症状实体进行向量化,得到问诊实体向量;
获取预设标准症状实体集中每个标准症状实体对应的标准实体向量;
计算所述问诊实体向量与每个所述标准实体向量的向量相似度;
将最大所述向量相似度对应的标准实体向量确定为目标标准实体向量;
将所述目标标准实体向量对应的标准症状实体确定为所述回复问诊症状。
本发明实施例中所述标准症状实体对应的标准实体向量为该标准症状实体向量化后得到的向量。
可选地,本发明实施例中可利用bert模型将所述问诊症状实体进行向量化,得到问诊实体向量。
具体地,本发明实施例中所述基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果,包括:
基于预设的疾病问诊规则对所述回复问诊症状及所有模型问诊症状进行疾病问诊判断,得到问诊疾病信息;
获取每个可挂号科室的诊疗信息;
将包含所述问诊疾病信息的诊疗信息确定为目标诊疗信息;
将所述目标诊疗信息对应的所述可挂号科室确定为所述挂号推荐结果。
本发明实施例中所述疾病问诊规则可以为诊断知识图谱或诊断规则,如:将疾病症状包含回复问诊症状及所有模型问诊症状的疾病确定为问诊疾病信息。
进一步地,本发明实施例中所述可挂号科室为目前可以挂号的科室。
进一步地,本发明实施例中基于所述回复问诊症状及所有模型问诊症状进行挂号推荐之后,所述方法还包括:将所述挂号推荐结果发送至预设的终端设备,所述终端设备为发送所述问诊挂号请求的智能终端设备,包括但不限于:手机、电脑、平板等。
如图2所示,是本发明问诊挂号推荐装置的功能模块图。
本发明所述问诊挂号推荐装置100可以安装于电子设备中。根据实现的功能,所述问诊挂号推荐装置可以包括知识图构建模块101、对话问诊模块102、科室筛选模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述多维问诊模块101用于接收用户的问诊挂号请求及已问诊类型信息;基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
所述对话问诊模块102用于提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
所述挂号推荐模块103用于提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
详细地,本发明实施例中所述问诊挂号推荐装置100中所述的各模块在使用时采用与上述图1中所述的问诊挂号推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现问诊挂号推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如问诊挂号推荐程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如问诊挂号推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如问诊挂号推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的问诊挂号推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
接收用户的问诊挂号请求及已问诊类型信息;
基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;
获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;
利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
接收用户的问诊挂号请求及已问诊类型信息;
基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;
获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;
利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种问诊挂号推荐方法,其特征在于,所述方法包括:
接收用户的问诊挂号请求及已问诊类型信息;
基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;
获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;
利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
2.如权利要求1所述的问诊挂号推荐方法,其特征在于,所述基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息,包括:
提取所述已问诊类型中的问诊类型,得到已问诊类型集;
将所述问诊类型集中存在,且在所述已问诊类型集中不存在的问诊类型确定为未问诊类型;
汇总所有所述未问诊类型,得到所述未问诊类型信息。
3.如权利要求1所述的问诊挂号推荐方法,其特征在于,所述利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状,包括:
对所述用户问诊数据进行数据向量化,得到标准问诊数据;
利用所述问诊模型中的卷积层及池化层对所述标准问诊数据进行特征提取,得到特征提取矩阵;
利用所述问诊模型中的全连接层对所述特征提取矩阵进行特征压缩,得到特征向量;
将所述特征向量作为softmax函数的变量,以计算不同预设问诊症状的分类概率;
将所有所述预设问诊症状中分类概率最高的预设问诊症状确定为所述模型问诊症状。
4.如权利要求1中所述的问诊挂号推荐方法,其特征在于,所述提取所述回复文本中的症状,得到回复问诊症状,包括:
对所述回复文本进行分词处理,得到分词词语;
将在预设医学症状词典中存在的所述分词词语确定所述回复问诊症状。
5.如权利要求1所述的问诊挂号推荐方法,其特征在于,所述提取所述回复文本中的症状,得到回复问诊症状,包括:
对所述回复文本进行实体识别,以识别所述回复文本中的症状实体,得到问诊症状实体;
对所述问诊症状实体进行实体标准化,得到所述回复问诊症状。
6.如权利要求5中所述的问诊挂号推荐方法,其特征在于,所述对所述问诊症状实体进行实体标准化,得到所述回复问诊症状,包括:
将所述问诊症状实体进行向量化,得到问诊实体向量;
获取预设标准症状实体集中每个标准症状实体对应的标准实体向量;
计算所述问诊实体向量与每个所述标准实体向量的向量相似度;
将最大所述向量相似度对应的标准实体向量确定为目标标准实体向量;
将所述目标标准实体向量对应的标准症状实体确定为所述回复问诊症状。
7.如权利要求1至6中任意一项所述的问诊挂号推荐方法,其特征在于,所述基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果,包括:
基于预设的疾病问诊规则对所述回复问诊症状及所有模型问诊症状进行疾病问诊判断,得到问诊疾病信息;
获取每个可挂号科室的诊疗信息;
将包含所述问诊疾病信息的诊疗信息确定为目标诊疗信息;
将所述目标诊疗信息对应的所述可挂号科室确定为所述挂号推荐结果。
8.一种问诊挂号推荐装置,其特征在于,包括:
多维问诊模块,用于接收用户的问诊挂号请求及已问诊类型信息;基于预设的问诊类型集及已问诊类型信息进行类型比对,得到未做问诊类型信息;获取所述未做问诊类型信息中每个未做问诊类型对应的问诊模型及用户问诊数据;利用所述未做问诊类型对应的问诊模型对该未做问诊类型对应的用户问诊数据进行问诊症状分类,得到对应的模型问诊症状;
对话问诊模块,用于提取所述挂号请求中的用户信息,基于所述用户信息生成问诊对话文本,并获取所述用户基于所述问诊对话文本的回复,得到回复文本;
挂号推荐模块,用于提取所述回复文本中的症状,得到回复问诊症状,基于所述回复问诊症状及所有模型问诊症状进行挂号推荐,得到挂号推荐结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的问诊挂号推荐方法。
10.一种计算机可读存储介质,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至7中任一项所述的问诊挂号推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707790.6A CN116741358A (zh) | 2023-06-14 | 2023-06-14 | 问诊挂号推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707790.6A CN116741358A (zh) | 2023-06-14 | 2023-06-14 | 问诊挂号推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116741358A true CN116741358A (zh) | 2023-09-12 |
Family
ID=87905699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310707790.6A Pending CN116741358A (zh) | 2023-06-14 | 2023-06-14 | 问诊挂号推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116741358A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
-
2023
- 2023-06-14 CN CN202310707790.6A patent/CN116741358A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11232365B2 (en) | Digital assistant platform | |
CN112541338A (zh) | 相似文本匹配方法、装置、电子设备及计算机存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN114550870A (zh) | 基于人工智能的处方审核方法、装置、设备及介质 | |
CN116483976A (zh) | 挂号科室推荐方法、装置、设备及存储介质 | |
CN113806492B (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN115081447A (zh) | 软件开发的需求文档构建方法、装置、设备及存储介质 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113486145B (zh) | 基于网络节点的用户咨询回复方法、装置、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 |