【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請涉及遠(yuǎn)程醫(yī)療專家推薦的，具體涉及一種遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法、構(gòu)建系統(tǒng)、專家推薦方法及電子設(shè)備。
技術(shù)介紹
1、
2、不同于傳統(tǒng)的患者直接面對醫(yī)生的醫(yī)療服務(wù)模式，遠(yuǎn)程醫(yī)療是由基層醫(yī)院醫(yī)生根據(jù)需求發(fā)起會診申請，經(jīng)遠(yuǎn)程醫(yī)療管理人員匹配后基層醫(yī)院醫(yī)生和上級醫(yī)院專家在特定時(shí)間對患者病情進(jìn)行討論進(jìn)而得出下一步治療方案的服務(wù)模式。相較于其他互聯(lián)網(wǎng)醫(yī)療模式(如在線醫(yī)療等)，遠(yuǎn)程醫(yī)療克服了患者病情描述不清等問題，且醫(yī)生與專家之間通過通訊技術(shù)的在線交流模式往往比患者與醫(yī)生通過文字交流更加通暢、高效。
3、盡管遠(yuǎn)程醫(yī)療得到了快速發(fā)展，但通過在國家遠(yuǎn)程醫(yī)療中心調(diào)研發(fā)現(xiàn)，遠(yuǎn)程醫(yī)療運(yùn)營管理仍面臨一些問題。國家遠(yuǎn)程醫(yī)療中心目前每月約有1400例遠(yuǎn)程咨詢，與前幾年平均每月1100例相比，增加了約27％，但目前仍采用人工安排的方式為基層醫(yī)院遠(yuǎn)程會診申請分配專家。隨著會診量的逐漸增多，人工分診的低時(shí)效性和滯后性的弊端逐漸顯露。一方面，由于會診量增多，人工安排會診專家耗時(shí)耗力，可能會導(dǎo)致患者等待時(shí)間過長。另一方面，巨大的信息量導(dǎo)致分診人員無法充分了解每位患者的病情和專家的信息，進(jìn)而無法為患者匹配最合適的專家會診，專家也可能匹配到不在其擅長領(lǐng)域的患者。因此，有必要探討如何改善這一現(xiàn)狀，從而提高遠(yuǎn)程醫(yī)療的質(zhì)量和效率。如何進(jìn)一步實(shí)現(xiàn)專家的智能化推薦，提高會診的效率和質(zhì)量是遠(yuǎn)程醫(yī)療領(lǐng)域尚待解決的問題。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述技術(shù)缺陷之一，本申請?zhí)峁┝艘环N遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方
2、根據(jù)本申請的第一個方面，提供了一種遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，包括：
3、獲取樣本信息，所述樣本信息包括：多個歷史患者的基礎(chǔ)信息和初步診斷信息，以及多個專家的基礎(chǔ)信息、專業(yè)特長信息和歷史診斷信息；
4、從歷史患者的初步診斷信息和專家的專業(yè)特長信息中提取出實(shí)體和各實(shí)體之間的關(guān)系；其中，實(shí)體包括歷史患者、專家、疾??；各實(shí)體之間的關(guān)系包括歷史患者和疾病之間的患有關(guān)系、專家和疾病之間的擅長治療關(guān)系；
5、根據(jù)提取出的實(shí)體和各實(shí)體之間的關(guān)系構(gòu)建知識圖譜；
6、對樣本信息進(jìn)行特征計(jì)算，得到每個歷史患者與所有專家之間的疾病相關(guān)度和多粒度相關(guān)度，以及歷史患者對應(yīng)的專家的基礎(chǔ)特征；
7、將計(jì)算得到的多組歷史患者與專家之間的疾病相關(guān)度和多粒度相關(guān)度，以及歷史患者對應(yīng)的專家的基礎(chǔ)特征輸入深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到專家推薦模型。
8、優(yōu)選地，對樣本信息進(jìn)行特征計(jì)算，具體包括：
9、基于多個歷史患者的初步診斷信息和多個專家的專業(yè)特長信息計(jì)算每個歷史患者與所有專家之間的疾病相關(guān)度；
10、基于多個歷史患者的初步診斷信息和多個專家的歷史診斷信息計(jì)算每個歷史患者與所有專家之間的多粒度相關(guān)度；
11、基于多個歷史患者的基礎(chǔ)信息和歷史患者對應(yīng)的專家的基礎(chǔ)信息計(jì)算每個歷史患者對應(yīng)的專家的基礎(chǔ)特征。
12、更優(yōu)選地，基于多個歷史患者的初步診斷信息和多個專家的專業(yè)特長信息計(jì)算每個歷史患者與所有專家之間的疾病相關(guān)度，具體包括：
13、基于知識圖譜中歷史患者與專家之間的路徑計(jì)算疾病相關(guān)度；疾病相關(guān)度的計(jì)算公式為：
14、令maxr∈d(pathir)＝minr∈d)pathir)時(shí)，
15、式中，表示第i個歷史患者與第j個專家之間的疾病相關(guān)度，pathij表示第i個歷史患者與第j個專家之間的所有路徑數(shù)量，d表示專家的數(shù)量，minr∈d(pathir)表示d個專家中與第i個歷史患者之間的最小路徑數(shù)量，maxr∈d(pathir)表示d個專家中與第i個歷史患者之間的最大路徑數(shù)量。
16、優(yōu)選地，基于多個歷史患者的初步診斷信息和多個專家的歷史診斷信息計(jì)算每個歷史患者與所有專家之間的多粒度相關(guān)度，具體包括：
17、計(jì)算粗粒度相關(guān)度，具體包括：
18、通過lda主題模型計(jì)算歷史患者的初步診斷信息中的主題概率分布、專家的歷史診斷信息中的主題概率分布；
19、計(jì)算每個歷史患者的初步診斷信息中的主題概率分布與所有專家的所有歷史診斷信息中的主題概率分布之間的js離散距離值；js離散距離值的計(jì)算公式為：
20、
21、式中，djs(pa‖qb)表示第a條初步診斷信息與第b條歷史診斷信息之間的js離散距離值，pa(x)表示第a條初步診斷信息中的主題概率分布，qb(x)表示第b條歷史診斷信息中的主題概率分布，n表示所有初步診斷信息的數(shù)量，m表示所有歷史診斷信息的數(shù)量，x表示隨機(jī)變量的取值，x是pa(x)和qb(x)上的一個特定值，x表示所有可能的取值的集合，即隨機(jī)變量的樣本空間；
22、對js離散距離值進(jìn)行轉(zhuǎn)換得到粗粒度相關(guān)度，轉(zhuǎn)換公式為：
23、
24、式中，simlda(pa,qb)表示第a條初步診斷信息與第b條歷史診斷信息的粗粒度相關(guān)度，simlda(pa,qb)∈[0，1]，h表示調(diào)節(jié)因子；
25、計(jì)算細(xì)粒度相關(guān)度，具體包括：
26、將歷史患者的初步診斷信息和專家的歷史診斷信息分別輸入sentence-bert模型中，通過sentence-bert模型提取出歷史患者初始嵌入向量和專家初始嵌入向量；
27、分別對歷史患者初始嵌入向量和專家初始嵌入向量進(jìn)行平均池化特征提取，得到歷史患者特征向量u和專家特征向量v；
28、將歷史患者特征向量u和專家特征向量v通過損失函數(shù)進(jìn)行計(jì)算，損失函數(shù)的計(jì)算公式為：
29、o＝softmax[wt(u,v,|u-v|)]；
30、式中，o表示損失函數(shù)，wt表示權(quán)重矩陣，用于將拼接后的特征向量映射到一個新的空間，softmax表示歸一化指數(shù)函數(shù)；
31、根據(jù)損失函數(shù)的計(jì)算結(jié)果，得到歷史患者的初步診斷信息和專家的歷史診斷信息的細(xì)粒度特征向量；其中，第a條初步診斷信息的細(xì)粒度特征向量為：fa＝(f1,f2,...,fl)，第b條歷史診斷信息的細(xì)粒度特征向量為：fb＝(f′1,f′2,...,f′l)，l表示特征維度；
32、計(jì)算歷史患者的初步診斷信息和專家的歷史診斷信息的細(xì)粒度相關(guān)度，計(jì)算公式為：
33、
34、將粗粒度相關(guān)度和細(xì)粒度相關(guān)度相融合，得到每個歷史患者的初步診斷信息和所有專家的多個歷史診斷信息之間的多粒度相關(guān)度，計(jì)算公式為：
35、
36、式中，δ表示多粒度相關(guān)度中粗粒度相關(guān)度的占比，1-δ表示多粒度相關(guān)度中細(xì)粒度相關(guān)度的占比；
37、計(jì)算每個歷史患者與每個專家之間的多粒度相關(guān)度，計(jì)算公式為：
38、
39、式中，表示第i個歷史患者與第j個專家之間的多粒度相關(guān)度，nj表示第j個專家所對應(yīng)的歷史診斷信息的數(shù)量，當(dāng)?shù)趈個專家與第b條歷史診斷信息相對應(yīng)時(shí)，yjb＝1，本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，對樣本信息進(jìn)行特征計(jì)算，具體包括：
3.根據(jù)權(quán)利要求2所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，基于多個歷史患者的初步診斷信息和多個專家的專業(yè)特長信息計(jì)算每個歷史患者與所有專家之間的疾病相關(guān)度，具體包括：
4.根據(jù)權(quán)利要求2所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，基于多個歷史患者的初步診斷信息和多個專家的多條歷史診斷信息計(jì)算每個歷史患者與所有專家之間的多粒度相關(guān)度，具體包括：
5.根據(jù)權(quán)利要求2所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，所述歷史患者的基礎(chǔ)信息包括年齡和性別；所述專家的基礎(chǔ)信息包括：職稱，以及預(yù)設(shè)時(shí)間內(nèi)的會診時(shí)間和會診次數(shù)；專家的基礎(chǔ)特征包括：年齡特征、性別特征、職稱特征和活躍度特征。
6.根據(jù)權(quán)利要求5所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，基于多個專家的基礎(chǔ)信息和對應(yīng)的歷史患者的基礎(chǔ)信息計(jì)算所有專家的基礎(chǔ)特征，具體包括：
7.一種
8.一種遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建系統(tǒng)，其特征在于，包括用于實(shí)現(xiàn)如權(quán)利要求1～6任一項(xiàng)所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法的模塊。
9.一種設(shè)備，其特征在于，包括：
10.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，其上存儲有計(jì)算機(jī)程序；所述計(jì)算機(jī)程序被處理器執(zhí)行以實(shí)現(xiàn)如權(quán)利要求1～6任一項(xiàng)所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法。
...【技術(shù)特征摘要】
1.一種遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，對樣本信息進(jìn)行特征計(jì)算，具體包括：
3.根據(jù)權(quán)利要求2所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，基于多個歷史患者的初步診斷信息和多個專家的專業(yè)特長信息計(jì)算每個歷史患者與所有專家之間的疾病相關(guān)度，具體包括：
4.根據(jù)權(quán)利要求2所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，基于多個歷史患者的初步診斷信息和多個專家的多條歷史診斷信息計(jì)算每個歷史患者與所有專家之間的多粒度相關(guān)度，具體包括：
5.根據(jù)權(quán)利要求2所述的遠(yuǎn)程醫(yī)療專家推薦模型的構(gòu)建方法，其特征在于，所述歷史患者的基礎(chǔ)信息包括年齡和性別；所述專家的基礎(chǔ)信息...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：喬巖，吳亞輝，翟運(yùn)開，喬正文，路薇，衛(wèi)東樂，高盼，仝佳怡，
申請(專利權(quán))人：鄭州大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。