【技術實現步驟摘要】
本公開涉及但不限于互聯網醫療，具體涉及基于醫療技術等級的智能醫療資源推薦系統。
技術介紹
1、醫療領域一直以來都是技術創新和信息化的重要領域之一。隨著醫療設備、醫療信息系統以及醫療服務的不斷發展和普及，醫療資源的管理和推薦變得尤為關鍵。為了滿足患者多樣化的需求，提高醫療資源的利用效率，以及改善醫療服務的質量，智能醫療資源推薦系統逐漸嶄露頭角。
2、傳統的醫療資源推薦往往基于簡單的規則和經驗，例如，根據患者所在地區或醫院的聲譽來推薦醫療服務。這種方法存在以下問題：缺乏個性化：傳統方法無法充分考慮患者的個性化需求，忽視了患者的病情、偏好和其他關鍵因素。信息不準確：依賴于患者提供的信息，可能會受到患者信息不準確或不完整的影響。效率低下：缺乏智能化算法支持，無法高效地處理大量的醫療資源和患者需求。
3、一些醫療平臺采用基于關鍵詞的搜索引擎來提供醫療資源推薦。然而，這種方法存在以下問題：關鍵詞不足夠準確：患者通常難以準確描述自己的病情或需求，導致關鍵詞搜索結果不準確。忽略上下文：關鍵詞搜索通常忽略了患者的醫療歷史、病歷信息以及醫院的細節，無法提供更全面的醫療資源推薦。信息過載：搜索引擎可能會返回大量的醫療資源，患者難以篩選和選擇。
4、許多現有的醫療資源推薦系統沒有考慮患者的病歷信息。這導致了以下問題：無法量身定制：沒有對患者的病歷進行分析，系統無法量身定制醫療資源推薦，無法根據患者的實際病情和需求來提供服務。疾病嚴重程度未考慮：現有系統通常沒有考慮患者的疾病嚴重程度，無法為重癥患者提供更緊急的醫療資源
技術實現思路
1、本公開在于提供基于醫療技術等級的智能醫療資源推薦系統，通過個性化醫療資源推薦、精確的病歷分析和智能匹配算法，提高了醫療資源的精準度和患者體驗。
2、為了解決上述問題，本專利技術的技術方案是這樣實現的：
3、基于醫療技術等級的智能醫療資源推薦系統，所述方法包括：醫療資源數據庫，患者信息處理部分和醫療資源推薦部分；所述醫療資源數據庫中存儲有醫院數據；所述醫院數據至少包括：醫院名稱、醫院地理位置和醫院科室評分；所述患者信息處理部分，包括：患者信息獲取單元，配置用于獲取患者信息，所述患者信息至少包括：患者位置和患者病歷；患者信息處理單元，配置用于對患者病歷進行關鍵詞提取，獲取疾病名稱，同時對患者病歷進行文本分析，并基于文本分析的結果，計算疾病嚴重程度值；最后，構建患者數據；所述患者數據包括：患者位置、疾病名稱和疾病嚴重程度值；醫療資源推薦部分，配置用于將患者數據和醫院數據的均視為一個種群中的個體，患者數據作為種群中的目標個體，醫院數據作為種群中的匹配個體，分別計算每個匹配個體與目標個體的吸引力，并根據吸引力進行排序，得到排序結果并向患者展示。
4、進一步的，所述患者病歷為圖像數據，在獲取到患者病歷后，首先對患者病歷進行進行圖像文本處理，從獲得患者病歷中提取出文字，具體包括：對輸入的患者病歷進行預處理，以減少噪音并增強文字特征，得到預處理病歷；使用自適應二值化方法將預處理病歷轉換為二值圖像；使用連通組件分析來識別二值圖像中的文字區域，并將文字區域分割成單獨的部分；計算每個文字區域的縱橫比，篩選出縱橫比符合預設范圍區間的文字區域，得到篩選文字區域；使用sobel箅子識別篩選文字區域之間中各個文字之間的分割線，得到邊緣圖像；通過對邊緣圖像進行霍夫變換，提取分割線的位置，文字區域與分割線的交叉點，以確定文字區域的邊界；通過在交叉點處切割文字區域，將文字區域分割成更小的塊；將塊中的字符轉換為文本，以提取出文字。
5、進一步的，對輸入的患者病歷進行預處理，以減少噪音并增強文字特征，得到預處理病歷的方法包括：首先，將患者病歷表示為灰度圖像p，其中i(x，y)表示灰度圖像的灰度值；定義一個窗口wi，以像素(x，y)為中心，大小為n×n；
6、對于每個像素(x，y)，使用如下公式，計算非局部均值nl(x，y)：
7、
8、其中，nl(x，y)是在像素(x，y)處計算的非局部均值，表示了該像素的去噪后的灰度值；p(i)表示灰度圖像p中像素i的灰度值，其中像素i屬于窗口wi，這是以像素(x，y)為中心的一個n×n大小的窗口；c(x，y)是用于歸一化的因子；|p(i)-p(x，y)|2：這是灰度圖像p中像素i與灰度圖像p中像素(x，y)之間的差異的平方，表示了它們之間的相似度或距離；h是控制去噪程度的平滑參數；接下來，通過如下公式，使用非局部均值來估計去噪后的預處理病歷pdenoised：
9、
10、進一步的，將塊中的字符轉換為文本，以提取出文字的方法包括：將每個字符塊進行調整，調整為固定大小，并進行標準化，確保它們具有相同的尺寸和亮度，設輸入字符塊為i，調整后的字符塊為i′；使用卷積神經網絡來訓練一個字符識別模型；該字符識別模型將字符塊i′作為輸入，并輸出字符類別的概率分布為：p(字符類別|i′)；其中，p表示概率分布，字符類別包括：字母、數字和其他字符；在訓練字符識別模型時，使用交叉熵損失函數來衡量模型的輸出概率分布與實際字符類別的差異，所述損失函數l(i′，字符類別)表示為：
11、l(i′，字符類別)＝-∑i字符類別i·log(p(字符類別i|i′))；
12、其中，字符類別i是實際字符類別的獨熱編碼；通過預先采集的訓練用字符塊數據對字符識別模型進行訓練，以準確地識別不同字符的類別；對于每個字符塊i′，使用已經訓練好的字符識別模型來預測字符類別；選擇具有最高概率的類別作為字符的類別預測結果；根據字符的類別預測結果，將塊中的字符轉換為文本，以提取出文字。
13、進一步的，根據字符的類別預測結果，將塊中的字符轉換為文本，以提取出文字的方法包括：設置一個空的文本序列t；對于每個位置k從1到n，重復以下步驟：計算當前位置的字符類別ci的概率分布p(ci|t)；選擇具有最高概率的字符類別將其添加到文本序列t中；最終，文本序列t包含了最可能的文本。
14、進一步的，在根據字符的類別預測結果，將塊中的字符轉換為文本，以提取出文字后，根據提取出的文字，對患者病歷進行關鍵詞提取，獲取疾病名稱；對患者病歷進行文本分析，并基于文本分析的結果，計算疾病嚴重程度值的方法包括：預先建立一個特征詞庫，在特征詞庫中，存儲有特征詞，以及每個特征詞對應的預設的權重；對患者病歷進行文本分析過程中，提取出患者病歷的文本中的特征詞，將提取出的特征詞在特征詞庫中進行檢索，以找到匹配的特征詞，以次得到提取出的每個特征詞的權重，將這些權重進行相加，得到疾病嚴重程度值。
15、進一步的，醫療資源推薦部分，將患者數據和醫院數據的均視為一個種群中的個體，患者數據作為種群中的目標個體，醫院數據作為種群中的匹配個體，分別計算每個匹配個體與目標個體的吸引力，并根據吸引力進行排序，得到排序結果并向患者展示的方法本文檔來自技高網...
【技術保護點】
1.基于醫療技術等級的智能醫療資源推薦系統，其特征在于，所述方法包括：醫療資源數據庫，患者信息處理部分和醫療資源推薦部分；所述醫療資源數據庫中存儲有醫院數據；所述醫院數據至少包括：醫院名稱、醫院地理位置和醫院科室評分；所述患者信息處理部分，包括：患者信息獲取單元，配置用于獲取患者信息，所述患者信息至少包括：患者位置和患者病歷；患者信息處理單元，配置用于對患者病歷進行關鍵詞提取，獲取疾病名稱，同時對患者病歷進行文本分析，并基于文本分析的結果，計算疾病嚴重程度值；最后，構建患者數據；所述患者數據包括：患者位置、疾病名稱和疾病嚴重程度值；醫療資源推薦部分，配置用于將患者數據和醫院數據的均視為一個種群中的個體，患者數據作為種群中的目標個體，醫院數據作為種群中的匹配個體，分別計算每個匹配個體與目標個體的吸引力，并根據吸引力進行排序，得到排序結果并向患者展示。
2.如權利要求1所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，所述患者病歷為圖像數據，在獲取到患者病歷后，首先對患者病歷進行進行圖像文本處理，從獲得患者病歷中提取出文字，具體包括：對輸入的患者病歷進行預處理，以
3.如權利要求2所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，對輸入的患者病歷進行預處理，以減少噪音并增強文字特征，得到預處理病歷的方法包括：首先，將患者病歷表示為灰度圖像P，其中I(x，y)表示灰度圖像的灰度值；定義一個窗口Wi，以像素(x，y)為中心，大小為n×n；
4.如權利要求3所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，將塊中的字符轉換為文本，以提取出文字的方法包括：將每個字符塊進行調整，調整為固定大小，并進行標準化，確保它們具有相同的尺寸和亮度，設輸入字符塊為I，調整后的字符塊為I′；使用卷積神經網絡來訓練一個字符識別模型；該字符識別模型將字符塊I′作為輸入，并輸出字符類別的概率分布為：P(字符類別|I′)；其中，P表示概率分布，字符類別包括：字母、數字和其他字符；在訓練字符識別模型時，使用交叉熵損失函數來衡量模型的輸出概率分布與實際字符類別的差異，所述損失函數L(I′，字符類別)表示為：
5.如權利要求4所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，根據字符的類別預測結果，將塊中的字符轉換為文本，以提取出文字的方法包括：設置一個空的文本序列T；對于每個位置k從1到n，重復以下步驟：計算當前位置的字符類別Ci的概率分布P(Ci|T)；選擇具有最高概率的字符類別將其添加到文本序列T中；最終，文本序列T包含了最可能的文本。
6.如權利要求5所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，在根據字符的類別預測結果，將塊中的字符轉換為文本，以提取出文字后，根據提取出的文字，對患者病歷進行關鍵詞提取，獲取疾病名稱；對患者病歷進行文本分析，并基于文本分析的結果，計算疾病嚴重程度值的方法包括：預先建立一個特征詞庫，在特征詞庫中，存儲有特征詞，以及每個特征詞對應的預設的權重；對患者病歷進行文本分析過程中，提取出患者病歷的文本中的特征詞，將提取出的特征詞在特征詞庫中進行檢索，以找到匹配的特征詞，以次得到提取出的每個特征詞的權重，將這些權重進行相加，得到疾病嚴重程度值。
7.如權利要求6所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，醫療資源推薦部分，將患者數據和醫院數據的均視為一個種群中的個體，患者數據作為種群中的目標個體，醫院數據作為種群中的匹配個體，分別計算每個匹配個體與目標個體的吸引力，并根據吸引力進行排序，得到排序結果并向患者展示的方法包括：將醫院數據庫中的所有醫院數據視為一個集合，按照其醫院科室評分的總和的高低順序，按照從一個樹狀網絡的根節點到末端節點，從樹狀網絡從左到右的順序，將集合分別作為該樹狀網絡中的一個節點；根據患者數據中的疾病嚴重程度值，在樹狀網絡中找到與該疾病嚴重程度值的差值的絕對值最小的節點，作為起始節點；從起始節點開始，分別從與該起始節點連接的其他相鄰節點的方向進行匹配查詢，在匹配查詢過程中，基于患者位置、醫院...
【技術特征摘要】
1.基于醫療技術等級的智能醫療資源推薦系統，其特征在于，所述方法包括：醫療資源數據庫，患者信息處理部分和醫療資源推薦部分；所述醫療資源數據庫中存儲有醫院數據；所述醫院數據至少包括：醫院名稱、醫院地理位置和醫院科室評分；所述患者信息處理部分，包括：患者信息獲取單元，配置用于獲取患者信息，所述患者信息至少包括：患者位置和患者病歷；患者信息處理單元，配置用于對患者病歷進行關鍵詞提取，獲取疾病名稱，同時對患者病歷進行文本分析，并基于文本分析的結果，計算疾病嚴重程度值；最后，構建患者數據；所述患者數據包括：患者位置、疾病名稱和疾病嚴重程度值；醫療資源推薦部分，配置用于將患者數據和醫院數據的均視為一個種群中的個體，患者數據作為種群中的目標個體，醫院數據作為種群中的匹配個體，分別計算每個匹配個體與目標個體的吸引力，并根據吸引力進行排序，得到排序結果并向患者展示。
2.如權利要求1所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，所述患者病歷為圖像數據，在獲取到患者病歷后，首先對患者病歷進行進行圖像文本處理，從獲得患者病歷中提取出文字，具體包括：對輸入的患者病歷進行預處理，以減少噪音并增強文字特征，得到預處理病歷；使用自適應二值化方法將預處理病歷轉換為二值圖像；使用連通組件分析來識別二值圖像中的文字區域，并將文字區域分割成單獨的部分；計算每個文字區域的縱橫比，篩選出縱橫比符合預設范圍區間的文字區域，得到篩選文字區域；使用sobel算子識別篩選文字區域之間中各個文字之間的分割線，得到邊緣圖像；通過對邊緣圖像進行霍夫變換，提取分割線的位置，文字區域與分割線的交叉點，以確定文字區域的邊界；通過在交叉點處切割文字區域，將文字區域分割成更小的塊；將塊中的字符轉換為文本，以提取出文字。
3.如權利要求2所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，對輸入的患者病歷進行預處理，以減少噪音并增強文字特征，得到預處理病歷的方法包括：首先，將患者病歷表示為灰度圖像p，其中i(x，y)表示灰度圖像的灰度值；定義一個窗口wi，以像素(x，y)為中心，大小為n×n；
4.如權利要求3所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，將塊中的字符轉換為文本，以提取出文字的方法包括：將每個字符塊進行調整，調整為固定大小，并進行標準化，確保它們具有相同的尺寸和亮度，設輸入字符塊為i，調整后的字符塊為i′；使用卷積神經網絡來訓練一個字符識別模型；該字符識別模型將字符塊i′作為輸入，并輸出字符類別的概率分布為：p(字符類別|i′)；其中，p表示概率分布，字符類別包括：字母、數字和其他字符；在訓練字符識別模型時，使用交叉熵損失函數來衡量模型的輸出概率分布與實際字符類別的差異，所述損失函數l(i′，字符類別)表示為：
5.如權利要求4所述的基于醫療技術等級的智能醫療資源推薦系統，其特征在于，根據字符的類別預測結果，將塊中的字符轉換為文本，以提取出文字的方...
【專利技術屬性】
技術研發人員：羅寧政，賈佳，王立法，劉海濱，陳欣然，
申請(專利權)人：深圳市維康致遠科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。