一種智能分診方法及裝置與流程
本發(fā)明涉及醫(yī)療技術(shù)領(lǐng)域，尤其涉及一種智能分診方法及裝置。
背景技術(shù)：
隨著人民生活條件的不斷改善，對于健康的需求也越來越旺盛。近年來，各大醫(yī)院的門急診量急劇增長。據(jù)不完全統(tǒng)計(jì)，北京各大醫(yī)院的門診量在過去的幾年中增長高達(dá)一倍多，由此造成醫(yī)療分診壓力大，流程滯后、等候時(shí)間長，繼而帶來醫(yī)療質(zhì)量難以保證，醫(yī)患矛盾增加等一系列問題。部分患者為能快速就診，不論病情緩急直接前往急診，統(tǒng)計(jì)表明我國急診科的非急癥病人的比例達(dá)到了32％，這又進(jìn)一步降低了醫(yī)院的救治效率，造成惡性循環(huán)。
因此，如何實(shí)現(xiàn)智能分診是本領(lǐng)域的技術(shù)人員目前亟需解決的技術(shù)問題。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的實(shí)施例提供一種智能分診方法及裝置，用以對患者實(shí)現(xiàn)智能分診來緩解醫(yī)院的分診壓力。
為達(dá)到上述目的，本發(fā)明的實(shí)施例采用如下技術(shù)方案：
本發(fā)明實(shí)施例的第一方面，提供一種智能分診方法，所述方法包括：
獲取患者的病情特征數(shù)據(jù)；
根據(jù)所述患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的可能性；
根據(jù)所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出所述患者的分診結(jié)果。
示例性的，所述病情特征數(shù)據(jù)包括病情癥狀信息和/或體征檢測參數(shù)。
優(yōu)選的，所述獲取患者的病情特征數(shù)據(jù)，具體包括：
根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將輸入的患者的病情特征轉(zhuǎn)換成患者的病情特征分布矩陣，所述患者的病情特征分布矩陣中的每個(gè)元素用于指示所述輸入的患者的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
進(jìn)一步優(yōu)選的，所述根據(jù)所述患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的可能性，具體包括：
將所述患者的病情特征數(shù)據(jù)代入到關(guān)系模型中，得到滿足所述關(guān)系模型的所有相關(guān)系數(shù)矩陣x；
從所述所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0；
根據(jù)所述唯一的相關(guān)系數(shù)矩陣x0，確定所述病例數(shù)據(jù)庫中每個(gè)病種的可能性；
其中，所述關(guān)系模型為：h＝dx，所述h為所述患者的病情特征分布矩陣，所述d為由所述病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征分布矩陣組成的矩陣，所述d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，所述di，j為所述病例數(shù)據(jù)庫中病種i的第j個(gè)病例的病例病情特征分布矩陣，所述k用于表示所述病例數(shù)據(jù)庫中病種i包括k個(gè)病例，所述m用于表示病例數(shù)據(jù)庫中包括m種疾病。
進(jìn)一步優(yōu)選的，所述方法還包括：
根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將每個(gè)病種下各病例的病情特征轉(zhuǎn)換成病例病情特征分布矩陣；所述病例的病情特征分布矩陣中的每個(gè)元素用于指示所述病例的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
優(yōu)選的，所述從所述所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0，具體包括：
從所述所有相關(guān)系數(shù)矩陣x確定出滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x；
在滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x中確定出滿足第二預(yù)設(shè)條件的唯一的相關(guān)系數(shù)矩陣x0；
其中，所述第一預(yù)設(shè)條件為：||dx-h||2≤ε，所述第二預(yù)定條件為：x*＝argmin||x0||1，其中：所述||·||1是l1范式，所述||·||2是l2范式，所述ε為預(yù)設(shè)參數(shù)，x*為目標(biāo)函數(shù)。
優(yōu)選的，所述根據(jù)所述唯一的相關(guān)系數(shù)矩陣x0，確定所述病例數(shù)據(jù)庫中每個(gè)病種的可能性，具體包括：
從所述相關(guān)系數(shù)矩陣x0中確定出所述病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)；
將所述病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)代入到概率計(jì)算公式中，得到所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的概率；
其中，所述概率計(jì)算公式為：
優(yōu)選的，所述根據(jù)所述病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出所述患者的分診結(jié)果，具體包括：
輸出每個(gè)病種的可能性中的最大的對應(yīng)的所述患者的分診結(jié)果；
或者，將每個(gè)病種的可能性中不為零的，按照可能性大小輸出所述患者的分診結(jié)果。
本發(fā)明實(shí)施例的第二方面，提供一種智能分診裝置，所述裝置包括：
獲取模塊，用于獲取患者的病情特征數(shù)據(jù)；
處理模塊，用于根據(jù)所述患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的可能性；
輸出模塊，用于根據(jù)所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出所述患者的分診結(jié)果。
示例性的，所述病情特征數(shù)據(jù)包括病情癥狀信息和/或體征檢測參數(shù)。
優(yōu)選的，所述獲取模塊具體用于：
根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將輸入的患者的病情特征轉(zhuǎn)換成患者的病情特征分布矩陣，所述患者的病情特征分布矩陣中的每個(gè)元素用于指示所述輸入的患者的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
進(jìn)一步優(yōu)選的，所述處理模塊具體用于：
將所述患者的病情特征數(shù)據(jù)代入到關(guān)系模型中，得到滿足所述關(guān)系模型的所有相關(guān)系數(shù)矩陣x；
從所述所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0；
根據(jù)所述唯一的相關(guān)系數(shù)矩陣x0，確定所述病例數(shù)據(jù)庫中每個(gè)病種的可能性；
其中，所述關(guān)系模型為：h＝dx，所述h為所述患者的病情特征分布矩陣，所述d為由所述病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征分布矩陣組成的矩陣，所述d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，所述di，j為所述病例數(shù)據(jù)庫中病種i的第j個(gè)病例的病例病情特征分布矩陣，所述k用于表示所述病例數(shù)據(jù)庫中病種i包括k個(gè)病例，所述m用于表示病例數(shù)據(jù)庫中包括m種疾病。
進(jìn)一步優(yōu)選的，其特征在于，所述處理模塊在從所述所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0時(shí)，具體用于：
從所述所有相關(guān)系數(shù)矩陣x確定出滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x；
在滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x中確定出滿足第二預(yù)設(shè)條件的唯一的相關(guān)系數(shù)矩陣x0；
其中，所述第一預(yù)設(shè)條件為：||dx-h||2≤ε，所述第二預(yù)定條件為：x*＝argmin||x0||1，其中：所述||·||1是l1范式，所述||·||2是l2范式，所述ε為預(yù)設(shè)參數(shù)，x*為目標(biāo)函數(shù)。
進(jìn)一步優(yōu)選的，所述處理模塊在根據(jù)所述唯一的相關(guān)系數(shù)矩陣x0，確定所述病例數(shù)據(jù)庫中每個(gè)病種的可能性時(shí)，具體用于：
從所述相關(guān)系數(shù)矩陣x0中確定出所述病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)；
將所述病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)代入到概率計(jì)算公式中，得到所述患者患所述病例數(shù)據(jù)庫中每個(gè)病種的概率；
其中，所述概率計(jì)算公式為：
優(yōu)選的，所述輸出模塊具體用于：
輸出每個(gè)病種的可能性中的最大的對應(yīng)的所述患者的分診結(jié)果；
或者，將每個(gè)病種的可能性中不為零的，按照可能性大小輸出所述患者的分診結(jié)果。
本發(fā)明實(shí)施例提供的智能分診方法及裝置，首先，通過獲取患者的病情特征數(shù)據(jù)；然后，根據(jù)患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性；最后，根據(jù)患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出患者的分診結(jié)果，從而實(shí)現(xiàn)了對患者的智能分診，以減少醫(yī)院的分診壓力。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明實(shí)施例提供的一種智能分診方法的方法流程圖；
圖2為本發(fā)明實(shí)施例提供的一種語義空間的示意圖；
圖3為本發(fā)明實(shí)施例提供的一種智能分診裝置的結(jié)構(gòu)示意圖。
具體實(shí)施方式
下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
為了便于清楚描述本發(fā)明實(shí)施例的技術(shù)方案，在本發(fā)明的實(shí)施例中，采用了“第一”、“第二”等字樣對功能或作用基本相同的相同項(xiàng)或相似項(xiàng)進(jìn)行區(qū)分，本領(lǐng)域技術(shù)人員可以理解“第一”、“第二”等字樣并不對數(shù)量和執(zhí)行次序進(jìn)行限定。
本文中術(shù)語“和/或”，僅僅是一種描述關(guān)聯(lián)對象的關(guān)聯(lián)關(guān)系，表示可以存在三種關(guān)系，例如，a和/或b，可以表示：單獨(dú)存在a，同時(shí)存在a和b，單獨(dú)存在b這三種情況。另外，本文中字符“/”，一般表示前后關(guān)聯(lián)對象是一種“或”的關(guān)系。
本發(fā)明實(shí)施例提供的智能分診方法的執(zhí)行主體可以為智能分診裝置，示例的，該智能分診裝置可以是用于執(zhí)行上述智能分診方法的終端，也可以是用于執(zhí)行上述智能分診方法的處理器。其中：該終端可以為計(jì)算機(jī)、智能手機(jī)、平板電腦、筆記本電腦、umpc(ultra-mobilepersonalcomputer，超級移動個(gè)人計(jì)算機(jī))、上網(wǎng)本、pda(personaldigitalassistant，個(gè)人數(shù)字助理)等終端設(shè)備，且不限于此。
本發(fā)明實(shí)施例提供一種智能分診方法，如圖1所示，該方法包括：
101、獲取患者的病情特征數(shù)據(jù)。
該患者的病情特征數(shù)據(jù)是用于表示患者具有的病情特征的數(shù)據(jù)。示例性的，患者或者其他人(例如護(hù)士)可以通過計(jì)算機(jī)上安裝的智能分診系統(tǒng)的輸入界面，輸入病情特征文本；還可以通過計(jì)算機(jī)的語音采集模塊(例如麥克風(fēng))，采集患者聲音，并且由計(jì)算機(jī)上安裝的語音識別系統(tǒng)識別出患者口述信息，計(jì)算機(jī)上安裝的智能分診系統(tǒng)從識別出的患者口述信息中選擇出、或模糊匹配出病情特征關(guān)鍵詞(是指病情特征數(shù)據(jù)庫中所存在的病情特征)；計(jì)算機(jī)上安裝的智能分診系統(tǒng)還可通過計(jì)算機(jī)的身份識別功能，識別患者身份信息(例如掃描身份證或就診卡等)，根據(jù)患者身份信息從醫(yī)院檢查數(shù)據(jù)庫(用于存儲體征檢測參數(shù)的數(shù)據(jù)庫，體征檢測參數(shù)包括患者做身體檢查的項(xiàng)目和結(jié)果)中調(diào)取該患者的體征檢參數(shù)。
示例性的，上述的病情特征數(shù)據(jù)包括：病情癥狀信息和/或體征檢測參數(shù)，其中，病情癥狀信息為觀察到患者的癥狀或患者感受到的癥狀，例如可以是患者的口述癥狀或輸入的癥狀文本等，例如：心悸氣短、肢體麻木、耳鳴等。而體征檢測參數(shù)包括患者的各項(xiàng)指標(biāo)檢測值，例如血壓值、血糖值等，其反映出的病情特征可以是血壓微高、血壓過高等。
當(dāng)然，病情特征數(shù)據(jù)除了可以是上述類型以外，還可以是表示病情特征數(shù)據(jù)的數(shù)字集合，例如可以是矩陣。此時(shí)，步驟101具體包含以下內(nèi)容：
101a、根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將輸入的患者的病情特征轉(zhuǎn)換成患者的病情特征分布矩陣，患者的病情特征分布矩陣中的每個(gè)元素用于指示輸入的患者的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
具體的，假設(shè)數(shù)據(jù)庫中有q個(gè)病情特征，該預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系用集合i表示，該集合i為q*1的矩陣，i＝[i1，i2，......，iq]t。其中，ij(1≤j≤q)表示第j個(gè)位置處的病情特征，從而集合i表示的是從第1個(gè)位置處的病情特征到第q個(gè)位置處的病情特征。
示例的，假設(shè)數(shù)據(jù)庫中有1000個(gè)病情特征，上述的集合i為：i＝[i1，i2，......，i1000]t。其中，i500為第500個(gè)位置處的病情特征，從而集合i表示從第1個(gè)位置處的病情特征到第1000個(gè)位置處的病情特征。
102、根據(jù)患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性。
示例性的，上述的患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性可以是指患者患每個(gè)病種的概率，用0至1間的數(shù)值進(jìn)行表示?；蛘呤腔颊呋济總€(gè)病種的可能性對應(yīng)的數(shù)值(可以為包含大于1的數(shù)值)，數(shù)值越大表示可能性越大。
示例性的，上述的病情特征數(shù)據(jù)為病情特征文本時(shí)，例如：患者的病情特征文本為眩暈、惡心以及心悸氣短；上述的步驟102中確定患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性具體過程參照以下內(nèi)容：這里病例數(shù)據(jù)庫中的病種個(gè)數(shù)以3個(gè)為例，分別為病種a、病種b以及病種c，其中：病種a以包含3個(gè)病例為例，病種b以包含4個(gè)病例為例，病種c以包含5個(gè)病例為例，而患者所具有的病情特征以3個(gè)為例。將患者的病情特征與病例數(shù)據(jù)庫中的每個(gè)病種下各病例中的病情特征文本進(jìn)行匹配，若患者的3個(gè)病情特征均出現(xiàn)在病例數(shù)據(jù)庫中病種a下的同一個(gè)病例中，且該患者的3個(gè)病情特征沒有全部出現(xiàn)在其他病種下的病情特征文本中，則該患者患病種a的可能性最大；若患者的2個(gè)病情特征出現(xiàn)在病例數(shù)據(jù)庫中病種a下的第一病例中，剩下的1個(gè)病情特征出現(xiàn)在病種a下的第二病例中，且該患者的3個(gè)病情特征沒有全部出現(xiàn)在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的結(jié)果較小。若患者的第1個(gè)病情特征出現(xiàn)在病例數(shù)據(jù)庫中病種a下的第一病例中，第2個(gè)病情特征出現(xiàn)在病種a下的第二病例中，第3個(gè)病情特征出現(xiàn)在病種a下的第三病例中，且該患者的3個(gè)病情特征沒有全部出現(xiàn)在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的兩種結(jié)果是最小的。當(dāng)然，通過匹配病情特征得到患者患每個(gè)病種的可能性大小的規(guī)則，可以根據(jù)實(shí)際需要進(jìn)行設(shè)置。
示例性的，上述的病情特征數(shù)據(jù)為矩陣時(shí)，上述的步驟102具體包括以下內(nèi)容：
102a、將患者的病情特征數(shù)據(jù)代入到關(guān)系模型中，得到滿足關(guān)系模型的所有相關(guān)系數(shù)矩陣x。
102b、從所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0。
102c、根據(jù)唯一的相關(guān)系數(shù)矩陣x0，確定病例數(shù)據(jù)庫中每個(gè)病種的可能性。
其中，上述的關(guān)系模型為：h＝dx，h為患者的病情特征分布矩陣，d為由病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征分布矩陣組成的矩陣，d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，di，j為病例數(shù)據(jù)庫中病種i的第j個(gè)病例的病例病情特征分布矩陣，k用于表示病例數(shù)據(jù)庫中病種i包括k個(gè)病例，m用于表示病例數(shù)據(jù)庫中包括m種疾病。
基于上述的內(nèi)容，可選的，在上述的步驟102之前，該方法還包括以下內(nèi)容：
a1、根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將每個(gè)病種下各病例的病情特征轉(zhuǎn)換成病例病情特征分布矩陣。
其中，上述的病例的病情特征分布矩陣中的每個(gè)元素用于指示病例的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
具體的，若病例數(shù)據(jù)庫中有q個(gè)病情特征，則病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征分布矩陣中包含q個(gè)元素。
示例性的，病種a下的任一個(gè)病例的病情特征分布矩陣為da1＝[i1，i2，......，iq]t。由于數(shù)據(jù)庫中的病情特征的集合i為q*1的矩陣，相應(yīng)的這里的病種a下的任一個(gè)病例的病情特征分布矩陣也為q*1的矩陣。其中，ij(1≤j≤q)表示病種a下的任一個(gè)病例的第j個(gè)位置處的病情特征，從而da1表示病種a下的任一個(gè)病例中從第1個(gè)位置處的病情特征到第q個(gè)位置處的病情特征。
示例性的，上述的關(guān)系模型可以是預(yù)先建立好的，也可以是根據(jù)需要實(shí)時(shí)進(jìn)行建立的，對于上述的關(guān)系模型的建立過程可以參考以下的內(nèi)容：
由于本發(fā)明是基于醫(yī)學(xué)大數(shù)據(jù)進(jìn)行疾病的病種預(yù)測，因此需要大量的案例(例如各醫(yī)院歷年的確診病例)，這對應(yīng)著流程圖中的病例數(shù)據(jù)庫中每個(gè)病種下各病例。本發(fā)明使用符號d來表示病例數(shù)據(jù)庫中病種集合，假設(shè)其中一共包含m種疾病(即m個(gè)病種)，則di(1≤i≤m)表示病例數(shù)據(jù)庫的第i種疾病。假設(shè)第i種疾病中包含k個(gè)病例，則dij(1≤i≤m，1≤j≤k)表示第i種疾病中的第j個(gè)病例。每一個(gè)病例由一系列對應(yīng)的特征向量(如癥狀和體征檢測參數(shù))構(gòu)成，則d構(gòu)成了一個(gè)確診病例的語義空間。
對于新來的患者h(yuǎn)(其含義是指：患者的病情特征分布矩陣用h表示)，假設(shè)其患有疾病di，依據(jù)本發(fā)明的基本思想：患有同一疾病的患者極有可能出現(xiàn)相似的特征(如癥狀和體征檢測參數(shù))，則患者h(yuǎn)可以表示為di中包含病例的線性組合，即h＝αi，1×di，1+αi，2×di，2+......+αi，k×di，k，其中，αij是相關(guān)系數(shù)。例如，對于疾病“高血壓”，病例1中的癥狀有“眩暈、惡心、心悸氣短”，病例2中的癥狀有“心悸氣短、耳鳴、肢體麻木”，病例3中的癥狀有“眩暈、惡心、耳鳴、心悸氣短”，新來患者的癥狀有“心悸氣短、肢體麻木”，則有“新來患者＝病例1+病例2-病例3”。
為了表示簡潔和方便，上面的表達(dá)形式可以用矩陣表示。假設(shè)di＝[di1，di2，......，dik]，xi＝[αi1，αi2，......，αik]t，其中上標(biāo)t表示矩陣的轉(zhuǎn)置，則有h＝dixi。
通過上面的討論，可以看到每一個(gè)患者可以表示成由其包含的已知病種下病例所構(gòu)成的語義子空間，屬于該病種的某一病例可以由相應(yīng)子空間(病情特征)的線性組合構(gòu)成。
上面所討論的是新來的患者h(yuǎn)，假設(shè)其患有疾病di所做的討論，那么對于新來的患者在不知道所患病種的前提下，類比于上述的過程，當(dāng)給定病種矩陣d，可以通過尋找患者h(yuǎn)在d中的語義子空間來確定其所患疾病。令d＝[d1，d2，......，dm]，則患者h(yuǎn)與給定病例間的關(guān)系模型為：h＝dx。
具體的，對于上面的d＝[d1，d2，......，dm]，由于病種d1，d2，......，dm這m個(gè)病種的每個(gè)病種下可能包含多個(gè)病例，因此，這里d1，d2，......，dm中的di(1≤i≤m)為由第i個(gè)病種下所包含的各病例的病情特征分布矩陣構(gòu)成的集合。例如，假設(shè)m個(gè)病種的每個(gè)病種下均包含兩個(gè)病例，則d＝[d11，d12，d21，d22，......，dm1，dm2]。
示例性的，假設(shè)病例數(shù)據(jù)庫中有3個(gè)病種，分別為病種a、病種b以及病種c，該病種a包含3個(gè)病例，病種b包含2個(gè)病例，病種c包含2個(gè)病例，則d＝[da1，da2，db1，db2，db3，dc1，dc2]。
基于上面的病種矩陣d，d＝[da1，da2，db1，db2，db3，dc1，dc2]，假設(shè)基于上述的3個(gè)病種的7個(gè)病例統(tǒng)計(jì)出的病情特征數(shù)據(jù)有100個(gè)，那么，上面的患者h(yuǎn)與給定病例間的關(guān)系模型：h＝dx中的病種矩陣d是一個(gè)100*7的矩陣，而相關(guān)系數(shù)矩陣x為7*1的矩陣，用x＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t來表示。
需要說明的是，在實(shí)際的應(yīng)用中，上述的病例數(shù)據(jù)庫中的病種的個(gè)數(shù)為成百上千個(gè)，而每個(gè)病種下的病例相應(yīng)的可能也是成百上千乃至更多，基于每個(gè)病種下的病例所抽出的病情特征可能是成千上萬個(gè)，因此，上面的內(nèi)容僅僅是一種示例，用于解釋說明本方案，并不進(jìn)行限定。
示例性的，上述的步驟102b中確定相關(guān)系數(shù)矩陣x0，可以是：從所有相關(guān)系數(shù)矩陣x中任意選擇一個(gè)相關(guān)系數(shù)矩陣x0。然后基于該任意選擇的一個(gè)關(guān)系系數(shù)矩陣x0確定病例數(shù)據(jù)庫中每個(gè)病種的可能性。
示例性的，上述的步驟102b中確定相關(guān)系數(shù)矩陣x0，可以是采用算法來確定，具體包括以下內(nèi)容：
102b1、從所有相關(guān)系數(shù)矩陣x確定出滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x。
102b2、在滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x中確定出滿足第二預(yù)設(shè)條件的唯一的相關(guān)系數(shù)矩陣x0。
其中，上述的第一預(yù)設(shè)條件為：||dx-h||2≤ε，上述的第二預(yù)設(shè)條件為：x*＝argmin||x0||1，其中：||·||1是l1范式，||·||2是l2范式，ε為預(yù)設(shè)參數(shù)，x*為目標(biāo)函數(shù)。其中，該x*＝argmin||x0||1表示的是x*取最小值時(shí)，對應(yīng)的x0為唯一的相關(guān)系數(shù)矩陣。
需要說明的是，上述的l1范式||·||1的運(yùn)算是：范式中變量所包含的每個(gè)元素的絕對值之和，例如，若x＝[α11，α12，......，αmk]，則||x||1＝|α11|+|α12|+......+|αmk|。而上述的l2范式||·||2的運(yùn)算是：范式中變量所包含的每個(gè)元素的平方之和，例如，若x＝[α11，α12，......，αmk]，則||x||2＝α112+α122+......+αmk2。
上述的步驟102b1以及102b2中的第一預(yù)設(shè)條件和第二預(yù)設(shè)條件中所采用的是稀疏解法，即使用最少的病例去重構(gòu)患者h(yuǎn)的病情特征，采用稀疏解法能夠降低“噪音”數(shù)據(jù)的影響，使得上述的關(guān)系模型h＝dx具有良好的魯棒性。
示例性的，當(dāng)步驟102c中的可能性用概率來表示時(shí)，上述的步驟102c具體包括以下內(nèi)容：
102c1、從唯一的相關(guān)系數(shù)矩陣x0中確定出病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)。
其中，將x0中第i個(gè)病種下各病例的相關(guān)系數(shù)保留，其他元素置為0，得到δi(x0)。
示例性的，假設(shè)唯一的相關(guān)系數(shù)矩陣x0＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t，則病種a的相關(guān)系數(shù)矩陣為：δa(x0)＝[αa1，αa2，0，0，0，0，0]t；病種b的相關(guān)系數(shù)矩陣為：δb(x0)＝[0，0，αb1，αb2，αb3，0，0]t；病種c的相關(guān)系數(shù)矩陣為：δc(x0)＝[0，0，0，0，0，αc1，αc2]t。
102c2、將病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)代入到概率計(jì)算公式中，得到患者患病例數(shù)據(jù)庫中每個(gè)病種的概率。
示例性的，概率計(jì)算公式為：
其中，ci用于表示患者患病例數(shù)據(jù)庫中的病種i的概率，hi＝d*δi(x0)，δi(x0)為病例數(shù)據(jù)庫中病種i的相關(guān)系數(shù)矩陣，
具體的，對于上述的hi＝d*δi(x0)，仍然以上文所列舉的例子進(jìn)行說明。假設(shè)病例數(shù)據(jù)庫中有3個(gè)病種，分別為病種a、病種b以及病種c，該病種a包含3個(gè)病例，病種b包含2個(gè)病例，病種c包含2個(gè)病例，則d＝[da1，da2，db1，db2，db3，dc1，dc2]。假設(shè)基于上述的3個(gè)病種的7個(gè)病例統(tǒng)計(jì)出的病情特征數(shù)據(jù)有100個(gè)，且假設(shè)唯一的相關(guān)系數(shù)矩陣x0＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t。
基于上面的內(nèi)容，考慮到上述的3個(gè)病種的7個(gè)病例統(tǒng)計(jì)出的病情特征數(shù)據(jù)有100個(gè)，則對應(yīng)的d為100*7的矩陣，所確定出ha＝d*δa(x0)中的δa(x0)為7*1的矩陣，δa(x0)＝[αa1，αa2，0，0，0，0，0]t；hb＝d*δb(x0)中的δb(x0)為7*1的矩陣，δb(x0)＝[0，0，αb1，αb2，αb3，0，0]t；hc＝dc*δc(x0)中的δc(x0)為7*1的矩陣，δc(x0)＝[0，0，0，0，0，αc1，αc2]t。這樣上述的ha、hb以及hc中的矩陣運(yùn)算才滿足矩陣乘法的準(zhǔn)則。然后，將的ha、hb以及hc的內(nèi)容帶入到上面的公式1中可以得到患者患病種a、病種b以及病種c的概率。
示例性的，上述的c＝[c1，c2，......，cm，cη]，由上述的公式1中可以得知ci滿足c1+c2+......+cm+cη＝1，其中，cη的計(jì)算公式如下：
通過上述的公式1和公式2可以得知，ci反映了患者h(yuǎn)屬于病種di可能性的大小(cη反映了患者h(yuǎn)不屬于前面任一病種d1-dm的可能性)。這是因?yàn)閏i越大，表明構(gòu)成患者h(yuǎn)的病情特征分布矩陣中包含屬于病種di的病例越多，即患者h(yuǎn)位于di語義子空間的部分越多，則屬于病種di的可能性越大。例如，參考圖2中給出的語義空間示意圖，假設(shè)已知病例中一共有三個(gè)病種，圖2中的不同的形狀代表不同的病種，相同的形狀的個(gè)數(shù)代表該病種下的病例個(gè)數(shù)，其中：圓點(diǎn)是新來的患者，則明顯可以得到對于圖2中的(a)有c＝[1，0，0，0]，即患者可能患有四角星所代表的病種。對于圖2中的(b)有c＝[0.25，0.375，0.375，0]，則很難準(zhǔn)確判斷出患者患有何種疾病。
103、根據(jù)患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出患者的分診結(jié)果。
其中，上述的分診結(jié)果可以包括為患者分配的科室、進(jìn)一步還可以包括分診流程、為患者所分配的醫(yī)生、以及可參考的治療指南等。
示例性的，上述的步驟103可以采用以下任一種方式實(shí)現(xiàn)：
方式a、輸出每個(gè)病種的可能性中的最大的對應(yīng)的患者的分診結(jié)果。例如，計(jì)算患者患每個(gè)病種的可能性大小，且所確定出患者患病種a的可能性最大，則在智能分診系統(tǒng)的界面上顯示出患者患病種a所對應(yīng)的分診結(jié)果。
方式b、將每個(gè)病種的可能性中不為零的，按照可能性大小輸出患者的分診結(jié)果。例如，計(jì)算出患者患每個(gè)病種的可能性，并將每個(gè)病種的可能性中不為零的按從大到小的順序排序，則在智能分診系統(tǒng)的界面上從大到小依次顯示出患者患每個(gè)病種的可能性的分診結(jié)果。
本發(fā)明實(shí)施例提供的智能分診方法，首先，通過獲取患者的病情特征數(shù)據(jù)；然后，根據(jù)患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性；最后，根據(jù)患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出患者的分診結(jié)果，從而實(shí)現(xiàn)了對患者的智能分診，以減少醫(yī)院的分診壓力。
下面將基于圖1對應(yīng)的智能分診方法的實(shí)施例中的相關(guān)描述對本發(fā)明實(shí)施例提供的一種智能分診裝置進(jìn)行介紹。以下實(shí)施例中與上述實(shí)施例相關(guān)的技術(shù)術(shù)語、概念等的說明可以參照上述的實(shí)施例，這里不再贅述。
本發(fā)明實(shí)施例提供一種智能分診裝置，如圖3所示，該裝置包括：獲取模塊31、處理模塊32以及確定模塊33，其中：
獲取模塊31，用于獲取患者的病情特征數(shù)據(jù)。
處理模塊32，用于根據(jù)患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定患者患所述病例數(shù)據(jù)庫中每個(gè)病種的可能性。
輸出模塊33，用于根據(jù)患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出患者的分診結(jié)果。
示例性的，該患者的病情特征數(shù)據(jù)可以是病情特征文本，也可以是用于表示該病情特征文本的數(shù)據(jù)。
示例性的，上述的病情特征數(shù)據(jù)包括：病情癥狀信息和/或體征檢測參數(shù)，其中，病情癥狀信息為觀察到患者的癥狀或患者感受到的癥狀，例如可以是患者的口述癥狀或輸入的癥狀文本等，例如：心悸氣短、肢體麻木、耳鳴等。而體征檢測參數(shù)包括患者的各項(xiàng)指標(biāo)檢測值，例如血壓值、血糖值等，其反映出的病情特征可以是血壓微高、血壓過高等。
示例性的，上述的患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性可以是指患者患每個(gè)病種的概率，用0至1間的數(shù)值進(jìn)行表示?；蛘呤腔颊呋济總€(gè)病種的可能性對應(yīng)的數(shù)值(可以為包含大于1的數(shù)值)，數(shù)值越大表示可能性越大。
示例性的，上述的病情特征數(shù)據(jù)為病情特征文本時(shí)，例如：患者的病情特征文本為眩暈、惡心以及心悸氣短；上述的步驟102中確定患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性具體過程參照以下內(nèi)容：這里病例數(shù)據(jù)庫中的病種個(gè)數(shù)以3個(gè)為例，分別為病種a、病種b以及病種c，其中：病種a以包含3個(gè)病例為例，病種b以包含4個(gè)病例為例，病種c以包含5個(gè)病例為例，而患者所具有的病情特征以3個(gè)為例。將患者的病情特征與病例數(shù)據(jù)庫中的每個(gè)病種下各病例中的病情特征文本進(jìn)行匹配，若患者的3個(gè)病情特征均出現(xiàn)在病例數(shù)據(jù)庫中病種a下的同一個(gè)病例中，且該患者的3個(gè)病情特征沒有全部出現(xiàn)在其他病種下的病情特征文本中，則該患者患病種a的可能性最大；若患者的2個(gè)病情特征出現(xiàn)在病例數(shù)據(jù)庫中病種a下的第一病例中，剩下的1個(gè)病情特征出現(xiàn)在病種a下的第二病例中，且該患者的3個(gè)病情特征沒有全部出現(xiàn)在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的結(jié)果較小。若患者的第1個(gè)病情特征出現(xiàn)在病例數(shù)據(jù)庫中病種a下的第一病例中，第2個(gè)病情特征出現(xiàn)在病種a下的第二病例中，第3個(gè)病情特征出現(xiàn)在病種a下的第三病例中，且該患者的3個(gè)病情特征沒有全部出現(xiàn)在其他病種下的病情特征文本中，則該患者患病種a的可能性相對于上面的兩種結(jié)果是最小的。
示例性的，上述的獲取模塊31具體用于：
根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將輸入的患者的病情特征轉(zhuǎn)換成患者的病情特征分布矩陣，患者的病情特征分布矩陣中的每個(gè)元素用于指示輸入的患者的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
具體的，假設(shè)數(shù)據(jù)庫中有q個(gè)病情特征，該預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系用集合i表示，該集合i為q*1的矩陣，i＝[i1，i2，......，iq]t。其中，ij(1≤j≤q)表示第j個(gè)位置處的病情特征，從而集合i表示的是從第1個(gè)位置處的病情特征到第q個(gè)位置處的病情特征。
示例的，假設(shè)數(shù)據(jù)庫中有1000個(gè)病情特征，上述的集合i為：i＝[i1，i2，......，i1000]t。其中，i500為第500個(gè)位置處的病情特征，從而集合i表示從第1個(gè)位置處的病情特征到第1000個(gè)位置處的病情特征。
示例性的，上述的處理模塊32具體用于：
將患者的病情特征數(shù)據(jù)代入到關(guān)系模型中，得到滿足關(guān)系模型的所有相關(guān)系數(shù)矩陣x。
從所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0。
根據(jù)唯一的相關(guān)系數(shù)矩陣x0，確定病例數(shù)據(jù)庫中每個(gè)病種的可能性。
其中，關(guān)系模型為：h＝dx，h為患者的病情特征分布矩陣，d為由病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征分布矩陣組成的矩陣，d＝[d1，d2，…，di，…dm]，其中：di＝[di，1，di，2，…，di，j，…di，k]，di，j為病例數(shù)據(jù)庫中病種i的第j個(gè)病例的病例病情特征分布矩陣，k用于表示病例數(shù)據(jù)庫中病種i包括k個(gè)病例，m用于表示病例數(shù)據(jù)庫中包括m種疾病。
基于上述的內(nèi)容，可選的，如圖3所示，該裝置還包括：轉(zhuǎn)換模塊34，其中：
轉(zhuǎn)換模塊34用于根據(jù)預(yù)設(shè)的矩陣元素的位置與矩陣元素所表示的病情特征的對應(yīng)關(guān)系，將每個(gè)病種下各病例的病情特征轉(zhuǎn)換成病例病情特征分布矩陣。
其中，上述的病例的病情特征分布矩陣中的每個(gè)元素用于指示病例的病情特征中是否出現(xiàn)該元素所在位置對應(yīng)的病情特征。
具體的，若病例數(shù)據(jù)庫中有q個(gè)病情特征，則病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征分布矩陣中包含q個(gè)元素。
示例性的，病種a下的任一個(gè)病例的病情特征分布矩陣為da1＝[i1，i2，......，iq]t。由于數(shù)據(jù)庫中的病情特征的集合i為q*1的矩陣，相應(yīng)的這里的病種a下的任一個(gè)病例的病情特征分布矩陣也為q*1的矩陣。其中，ij(1≤j≤q)表示病種a下的任一個(gè)病例的第j個(gè)位置處的病情特征，從而da1表示的病種a下的任一個(gè)病例中從第1個(gè)位置處的病情特征到第q個(gè)位置處的病情特征。
示例性的，上述的關(guān)系模型可以是預(yù)先建立好的，也可以是根據(jù)需要實(shí)時(shí)進(jìn)行建立的，對于上述的關(guān)系模型的建立過程具體可以參考方法部分的內(nèi)容，這里不再詳細(xì)贅述。
示例性的，上輸?shù)奶幚砟K32在在從所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0時(shí)，可以從所有相關(guān)系數(shù)矩陣x中任意選擇一個(gè)相關(guān)系數(shù)矩陣x0。然后基于該任意選擇的一個(gè)關(guān)系系數(shù)矩陣x0確定病例數(shù)據(jù)庫中每個(gè)病種的可能性。
示例性的，上述的處理模塊32在從所有相關(guān)系數(shù)矩陣x中確定出唯一的相關(guān)系數(shù)矩陣x0時(shí)，也可以使用算法進(jìn)行確定該相關(guān)系數(shù)矩陣x0，上述的處理模塊32具體用于：
從所有相關(guān)系數(shù)矩陣x確定出滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x。
在滿足第一預(yù)設(shè)條件的相關(guān)系數(shù)矩陣x中確定出滿足第二預(yù)設(shè)條件的唯一的相關(guān)系數(shù)矩陣x0。
其中，第一預(yù)設(shè)條件為：||dx-h||2≤ε，第二預(yù)定條件為：x*＝argmin||x0||1，其中：||·||1是l1范式，||·||2是l2范式，ε為預(yù)設(shè)參數(shù)，x*為目標(biāo)函數(shù)。其中，該x*＝argmin||x0||1表示的是x*取最小值時(shí)，對應(yīng)的x0為唯一的相關(guān)系數(shù)矩陣。
需要說明的是，上述的l1范式||·||1的運(yùn)算是：范式中變量所包含的每個(gè)元素的絕對值之和，例如，若x＝[α11，α12，......，αmk]，則||x||1＝|α11|+|α12|+......+|αmk|。而上述的l2范式||·||2的運(yùn)算是：范式中變量所包含的每個(gè)元素的平方之和，例如，若x＝[α11，α12，......，αmk]，則||x||2＝α112+α122+......+αmk2。
上述的處理模塊32在確定唯一的相關(guān)系數(shù)矩陣x0時(shí)所涉及的第一預(yù)設(shè)條件和第二預(yù)設(shè)條件中所采用的是稀疏解法，即使用最少的病例去重構(gòu)患者h(yuǎn)的病情特征，采用稀疏解法能夠降低“噪音”數(shù)據(jù)的影響，使得上述的關(guān)系模型h＝dx具有良好的魯棒性。
示例性的，當(dāng)上述的處理模塊32在根據(jù)唯一的相關(guān)系數(shù)矩陣x0，確定病例數(shù)據(jù)庫中每個(gè)病種的可能性用概率來表示時(shí)，該處理模塊32具體用于：
從相關(guān)系數(shù)矩陣x0中確定出病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)。
其中，將x0中第i個(gè)病種下各病例的相關(guān)系數(shù)保留，其他元素置為0，得到δi(x0)。
示例性的，假設(shè)唯一的相關(guān)系數(shù)矩陣x0＝[αa1，αa2，αb1，αb2，αb3，αc1，αc2]t，則病種a的相關(guān)系數(shù)矩陣為：δa(x0)＝[αa1，αa2，0，0，0，0，0]t；病種b的相關(guān)系數(shù)矩陣為：δb(x0)＝[0，0，αb1，αb2，αb3，0，0]t；病種c的相關(guān)系數(shù)矩陣為：δc(x0)＝[0，0，0，0，0，αc1，αc2]t。
將病例數(shù)據(jù)庫中每個(gè)病種的相關(guān)系數(shù)矩陣δi(x0)代入到概率計(jì)算公式中，得到患者患病例數(shù)據(jù)庫中每個(gè)病種的概率。
示例性的，上述的概率計(jì)算公式為：
其中，ci用于表示患者患病例數(shù)據(jù)庫中的病種i的概率，hi＝d*δi(x0)，di為病例數(shù)據(jù)庫中病種i的病情特征分布矩陣，δi(x0)為病例數(shù)據(jù)庫中病種i的相關(guān)系數(shù)矩陣，
示例性的，上述的c＝[c1，c2，......，cm，cη]，由上述的公式1中可以得知ci滿足c1+c2+......+cm+cη＝1，其中，cη的計(jì)算公式如下：
通過上述的公式1和公式2可以得知，ci反映了患者h(yuǎn)屬于病種di可能性的大小(cη反映了患者h(yuǎn)不屬于前面任一病種d1-dm的可能性)。這是因?yàn)閏i越大，表明構(gòu)成患者h(yuǎn)的病情特征分布矩陣中包含屬于病種di的病例越多，即患者h(yuǎn)位于di語義子空間的部分越多，則屬于病種di的可能性越大。例如，參考圖2中給出的語義空間示意圖，假設(shè)已知病例中一共有三個(gè)病種(分別對應(yīng)不同的形狀)，圓形節(jié)點(diǎn)是新來的患者，則明顯可以看到對于左邊的圖有c＝[1，0，0，0]，即患者可能患有四角星所代表的病種。對于右邊的圖有c＝[0.25，0.375，0.375，0]，則很難準(zhǔn)確判斷出患者患有何種疾病。
示例性的，上述的分診結(jié)果包括可參考的治療指南、分診流程以及所涉及的科室等信息。
示例性的，上述的輸出模塊33具體用于以下任一種方式實(shí)現(xiàn)：
方式a、輸出每個(gè)病種的可能性中的最大的對應(yīng)的患者的分診結(jié)果。例如，計(jì)算患者患每個(gè)病種的可能性大小，且所確定出患者患病種a的可能性最大，則在智能分診系統(tǒng)的界面上顯示出患者患病種a所對應(yīng)的分診結(jié)果。
方式b、將每個(gè)病種的可能性中不為零的，按照可能性大小輸出患者的分診結(jié)果。例如，計(jì)算出患者患每個(gè)病種的可能性，并將每個(gè)病種的可能性中不為零的按從大到小的順序排序，則在智能分診系統(tǒng)的界面上從大到小依次顯示出患者患每個(gè)病種的可能性的分診結(jié)果。
本發(fā)明實(shí)施例提供的智能分診裝置，首先，該裝置通過獲取患者的病情特征數(shù)據(jù)；然后，根據(jù)患者的病情特征數(shù)據(jù)、以及病例數(shù)據(jù)庫中每個(gè)病種下各病例的病情特征數(shù)據(jù)，確定患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性；最后，根據(jù)患者患病例數(shù)據(jù)庫中每個(gè)病種的可能性，輸出患者的分診結(jié)果，從而實(shí)現(xiàn)了對患者的智能分診，以減少醫(yī)院的分診壓力。
通過以上的實(shí)施方式的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進(jìn)行舉例說明，實(shí)際應(yīng)用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將裝置的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實(shí)施例中的對應(yīng)過程，在此不再贅述。
在本申請所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的智能分診裝置，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置的實(shí)施例僅僅是示意性的，例如，所述模塊或單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。
另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。
所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲在一個(gè)計(jì)算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機(jī)存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。
以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。
- 還沒有人留言評論。精彩留言會獲得點(diǎn)贊！