基于大數據求證的醫學專家個性化推薦方法及系統技術方案

本發明專利技術公開了一種基于大數據求證的醫學專家個性化推薦方法及系統，該方法包括如下步驟：S1、建立醫療專家數據庫，醫療專家數據庫中包括專家個人資料、患者對專家評價資料、醫院資料；S2、通過大數據方法多方驗證專家個人資料；S3、計算專家的特長推薦度；S4、通過大數據方法驗證患者對專家評價資料；S5、通過大數據方法驗證醫院資料；S6、根據上述三方面綜合建模，建立專家特長推薦模型；S7、獲取患者信息；S8、根據患者信息建立個性化需求模型；S9、根據專家特長推薦模型、個性化需求模型進行個性化推薦醫學專家。本發明專利技術解決了醫患信息不對稱矛盾，提高了患者就醫精準度，充分合理利用醫療資源，實現就醫個性化，提高臨床療效。

【技術實現步驟摘要】

本專利技術涉及醫療
，具體涉及一種基于大數據求證的醫學專家個性化推薦方法及系統。
技術介紹
患者的治療效果受很多因素影響，其中是否找到最適合的專家，是最重要的因素。由于患者對醫療知識的不了解，對醫療機構和專家的特長不了解，在選擇專家時，常常處于盲目被動狀態，這種信息不對稱，嚴重影響了患者的就醫效果，如果專家不得不診療一些不是自己專長的疾病，對專家也是一種浪費，沒有發揮專家特長，影響醫療質量。不同醫院技術水平存在差異，不同醫院有不同的特色專長科室，同一所醫院，不同專科水平存在差異，同一個?？疲煌t生也存在差異，表現在各有各的專長，所以，患者要精準選擇，非常困難?；颊咴谶x擇專家時，一般患者是是選擇有名的醫院，但選擇的?？瓶赡懿⒎窃撫t院的優勢?？疲辉賹I一些的患者選擇著名?？?，但科室內醫生各有專長，即使選擇科室主任，可能對該患者的疾病也非自己專長；更專業一些的患者選擇專家，通過網絡查詢，了解專家的資料和其他人的評價，但是，現在網絡信息魚龍混雜，很多信息缺乏準確性，患者無法甄別。所以，迫切需要一種客觀公正的推薦算法，幫助患者找到真正專業的醫生。另一方面，不同的患者，即使罹患同一種疾病，其診治方案也不同，不同的專家即使對同一種疾病，也專著于不同的診療方案，其效果也不盡相同。例如，在整形美容行業，同樣是下頜角肥大畸形，在做下頜角肥大治療領域知名的專家，有的擅長截骨術，有的擅長磨骨術，手術方式也有的擅長耳后切口，有的擅長口內切口。所以，如何根據患者個性特點和需求，找到最適合自己的專家，也是患者的迫切需求。此外，醫療行業日新月異，新技術、新療法層出不窮，專家也在不斷成長更新，曾經的某一領域的專家，可能被新技術所替代，患者無法全面了解這些信息，也是導致醫療效果不佳的因素之一。所以，需要建立一種實時更新的推薦方法，讓患者得到的是最新、最好的療法。
技術實現思路
有鑒于此，為了解決現有技術中患者無法找到最適合自己醫學專家的技術問題，本專利技術提出一種基于大數據求證的醫學專家個性化推薦方法及系統，充分利用互聯網信息，通過大數據方法，建立一套技術和算法，從專家的專業特長、服務質量和患者的個性需求，建立個性化專家推薦，充分合理利用醫療資源，提高患者診療效果。本專利技術通過以下技術手段解決上述問題：一種基于大數據求證的醫學專家個性化推薦方法，包括如下步驟：S1、建立醫療專家數據庫，醫療專家數據庫中包括專家個人資料、患者對專家評價資料、醫院資料；S2、通過大數據方法多方驗證專家個人資料；S3、計算專家的特長推薦度；S4、通過大數據方法驗證患者對專家評價資料；S5、通過大數據方法驗證醫院資料；S6、根據上述三方面綜合建模，建立專家特長推薦模型；S7、獲取患者信息；S8、根據患者信息建立個性化需求模型；S9、根據專家特長推薦模型、個性化需求模型進行個性化推薦醫學專家。進一步地，步驟S1具體包括如下步驟：S11、通過各醫院門戶網站收集專家個人資料；S12、專家本人認證后修改完善個人資料；S13、通過第三方網站獲取患者對專家評價資料；S14、通過醫院網站獲取醫院資料。進一步地，步驟S1中，專家個人資料包括專家基本資料、學歷、學位、學術職稱、專業職稱、職務、導師資格、特長、教育經歷、工作經歷、發表論著、獲得課題、成果、獎勵、學術任職。進一步地，步驟S2中，多方驗證包括各單位網站驗證收治病人信息、各學會網站驗證學術任職信息、基金網站驗證課題信息、國內外數據庫驗證論著信息、衛計委網站驗證資格證信息、學信網驗證學歷學位。進一步地，步驟S3具體包括如下步驟：記：FieldR學術職稱＝F(教授；副教授；講師；助教；無)FieldR專業職稱＝F(主任醫師；副主任醫師；主治醫師；住院醫師；無)FieldR導師資格＝F(博士后指導老師；博士生導師；碩士生導師；無)FieldR職務＝F(科室主任；科室副主任；總住院醫師；無)國家X級：國家一級、國家二級、國家三級；省部X級：省部一級、省部二級；ExperR學歷＝F(博士；碩士；學士；無)ExperR工作＝本特長專業工作時間+總工作時間*F(外科；內科；專科；輔助科室)ExperR進修＝進修時間*F(特長科室；特長相關科室；非特長相關科室)對各認證指標，按照相關程度賦予權重，求和后即為該專家的特長推薦度：RecommendR=Σk=0nFk*WorkRK+Σk=0nFk*FieldRK+Σk=0nFk*ExperRK.]]>進一步地，步驟S4中，患者對專家評價資料包括所在醫療機構收集的患者滿意度評價、各大網站的患者評價、投訴情況、糾紛情況、醫療事故情況。進一步地，步驟S5中，醫院資料包括醫院隸屬、醫院等級、醫院屬性、醫院資質、科室資質。進一步地，步驟S7中，患者信息包括基本資料、病例資料和服務需求。一種基于大數據求證的醫學專家個性化推薦系統，包括醫療專家數據庫，所述醫療專家數據庫包括專家個人資料數據庫、患者對專家評價資料數據庫、醫院資料數據庫，還包括專家個人資料驗證模塊、專家特長推薦度計算模塊、患者對專家評價資料驗證模塊、醫院資料驗證模塊、專家特長推薦模型存儲模塊、患者信息獲取模塊、個性化需求模型存儲模塊、個性化推薦模塊；所述專家個人資料數據庫、專家個人資料驗證模塊、專家特長推薦度計算模塊依次連接；所述患者對專家評價資料數據庫與所述患者對專家評價資料驗證模塊連接；所述醫院資料數據庫與所述醫院資料驗證模塊連接；所述專家特長推薦模型存儲模塊分別連接所述專家特長推薦度計算模塊、患者對專家評價資料驗證模塊、醫院資料驗證模塊；所述患者信息獲取模塊與所述個性化需求模型存儲模塊連接；所述個性化推薦模塊分別連接所述專家特長推薦模型存儲模塊、個性化需求模型存儲模塊；所述專家個人資料數據庫用于存儲專家個人資料；所述患者對專家評價資料數據庫用于存儲患者對專家評價資料；所述醫院資料數據庫用于存儲醫院資料；所述專家個人資料驗證模塊用于通過大數據方法多方驗證專家個人資料；所述專家特長推薦度計算模塊用于計算專家的特長推薦度；所述患者對專家評價資料驗證模塊用于通過大數據方法驗證患者對專家評價資料；所述醫院資料驗證模塊用于通過大數據方法驗證醫院資料；所述專家特長推薦模型存儲模塊用于存儲根據三方面綜合建模建立的專家特長推薦模型；所述患者信息獲取模塊用于獲取患者信息；所述個性化需求模型存儲模塊用于存儲根據患者信息建立的個性化需求模型；所述個性化推薦模塊用于根據專家特長推薦模型、個性化需求模型進行個性化推薦醫學專家。進一步地，還包括專家個人資料收集模塊、個人資料修改完善模塊，所述專家個人資料收集模塊、個人資料修改完善模塊、專家個人資料數據庫依次連接；所述專家個人資料收集模塊用于通過各醫院門戶網站收集專家個人資料；所述個人資料修改完善模塊用于專家本人認證后修改完善個人資料；還包括與所述患者對專家評價資料數據庫連接的患者對專家評價資料獲取模塊，所述患者對專家評價資料獲取模塊用于通過第三方網站獲取患者對專家評價資料；還包括與所述醫院資料數據庫連接的醫院資料獲取模塊，所述醫院資料獲取模塊用于通過醫院網站獲取醫院資料。本專利技術的基于大數據求證的醫學專家個性化推薦方法及系統，通過大數據方法，建立一套技術和算法，從專家的專業本文檔來自技高網...

【技術保護點】
一種基于大數據求證的醫學專家個性化推薦方法，其特征在于，包括如下步驟：S1、建立醫療專家數據庫，醫療專家數據庫中包括專家個人資料、患者對專家評價資料、醫院資料；S2、通過大數據方法多方驗證專家個人資料；S3、計算專家的特長推薦度；S4、通過大數據方法驗證患者對專家評價資料；S5、通過大數據方法驗證醫院資料；S6、根據上述三方面綜合建模，建立專家特長推薦模型；S7、獲取患者信息；S8、根據患者信息建立個性化需求模型；S9、根據專家特長推薦模型、個性化需求模型進行個性化推薦醫學專家。

【技術特征摘要】
1.一種基于大數據求證的醫學專家個性化推薦方法，其特征在于，包括如下步驟：S1、建立醫療專家數據庫，醫療專家數據庫中包括專家個人資料、患者對專家評價資料、醫院資料；S2、通過大數據方法多方驗證專家個人資料；S3、計算專家的特長推薦度；S4、通過大數據方法驗證患者對專家評價資料；S5、通過大數據方法驗證醫院資料；S6、根據上述三方面綜合建模，建立專家特長推薦模型；S7、獲取患者信息；S8、根據患者信息建立個性化需求模型；S9、根據專家特長推薦模型、個性化需求模型進行個性化推薦醫學專家。2.根據權利要求1所述的基于大數據求證的醫學專家個性化推薦方法，其特征在于，步驟S1具體包括如下步驟：S11、通過各醫院門戶網站收集專家個人資料；S12、專家本人認證后修改完善個人資料；S13、通過第三方網站獲取患者對專家評價資料；S14、通過醫院網站獲取醫院資料。3.根據權利要求1所述的基于大數據求證的醫學專家個性化推薦方法，其特征在于，步驟S1中，專家個人資料包括專家基本資料、學歷、學位、學術職稱、專業職稱、職務、導師資格、特長、教育經歷、工作經歷、發表論著、獲得課題、成果、獎勵、學術任職。4.根據權利要求1所述的基于大數據求證的醫學專家個性化推薦方法，其特征在于，步驟S2中，多方驗證包括各單位網站驗證收治病人信息、各學會網站驗證學術任職信息、基金網站驗證課題信息、國內外數據庫驗證論著信息、衛計委網站驗證資格證信息、學信網驗證學歷學位。5.根據權利要求1所述的基于大數據求證的醫學專家個性化推薦方法，其特征在于，步驟S3具體包括如下步驟：記：FieldR學術職稱＝F(教授；副教授；講師；助教；無)FieldR專業職稱＝F(主任醫師；副主任醫師；主治醫師；住院醫師；無)FieldR導師資格＝F(博士后指導老師；博士生導師；碩士生導師；無)FieldR職務＝F(科室主任；科室副主任；總住院醫師；無)國家X級：國家一級、國家二級、國家三級；省部X級：省部一級、省部二級；ExperR學歷＝F(博士；碩士；學士；無)ExperR工作＝本特長專業工作時間+總工作時間*F(外科；內科；?？疲惠o助科室)ExperR進修＝進修時間*F(特長科室；特長相關科室；非特長相關科室)對各認證指標，按照相關程度賦予權重，求和后即為該專家的特長推薦度：RecommendR=Σk=0nFk*WorkRK+Σk=0nFk*FieldRK+Σk=0nFk*ExperRK.]]>6.根據權利要求1所述的基于大數據求證的醫學專家個性化推薦方法，其特征在于，步驟S4中，患者對專家評價資料包括所在醫療機構收集的患者滿意度評價、各大網站的患者評價、投訴情況、糾紛情況、醫療...

【專利技術屬性】
技術研發人員：秦建增，
申請(專利權)人：廣州比特軟件科技有限公司，
類型：發明
國別省市：廣東;44