一种基于互联网医院的智能预问诊方法及系统技术方案

本发明专利技术涉及一种基于互联网医院的智能预问诊方法及系统，通过将输入的主诉信息并转换为词向量，并利用预训练的Bi

【技术实现步骤摘要】
一种基于互联网医院的智能预问诊方法及系统


[0001]本专利技术涉及计算机
，尤其是涉及一种基于互联网医院的智能预问诊方法及系统。

技术介绍

[0002]现有的问诊方式主要通过医生的经验对患者进行逐步询问，以获取必要的诊断信息；对于必要的问诊问题，每一次问诊过程中医生都需要对每一个患者进行重复询问，问诊耗时长，问诊效率较低。

技术实现思路

[0003]本申请实施例提供了一种基于互联网医院的智能预问诊方法及系统，可以对患者进行智能预问诊并生成电子病历，提高问诊效率。
[0004]本申请实施例的第一方面，提供了一种基于互联网医院的智能预问诊方法，包括以下步骤：
[0005]响应于问诊请求，获取输入的主诉信息并转换为多个词向量；其中，所述主诉信息为用户输入的描述疾病情况的信息；
[0006]基于所述多个词向量，利用预训练的Bi
‑
LSTM
‑
CRF模型获取关键信息；其中，所述关键信息包括症状、疾病和药名；
[0007]基于所述关键信息和所述多个词向量，利用预训练的GCNN模型获取疾病信息；
[0008]基于所述疾病信息触发第一问诊模式，在所述第一问诊模式下，基于所述疾病信息配置生成若干个第一问诊问题，采集用户答复所述若干个第一问诊问题的第一反馈信息；
[0009]根据所述若干个第一问诊问题和所述第一反馈信息，生成电子病历。
[0010]本申请实施例的第二方面，提供了一种基于互联网医院的智能预问诊系统，包括：r/>[0011]词向量获取模块，用于响应于问诊请求，获取输入的主诉信息并转换为多个词向量；其中，所述主诉信息为用户输入的描述疾病情况的信息；
[0012]关键信息获取模块，用于基于所述多个词向量，利用预训练的Bi
‑
LSTM
‑
CRF模型获取关键信息；其中，所述关键信息包括症状、疾病和药名；
[0013]疾病信息获取模块，用于基于所述关键信息和所述多个词向量，利用预训练的GCNN模型获取疾病信息；
[0014]问诊模块，用于基于所述疾病信息触发第一问诊模式，在所述第一问诊模式下，基于所述疾病信息配置生成若干个第一问诊问题，采集用户答复所述若干个第一问诊问题的第一反馈信息；
[0015]基于互联网医院的智能预问诊模块，用于根据所述若干个第一问诊问题和所述第一反馈信息，生成电子病历。
[0016]本申请实施例的第三方面，提供了一种计算机可读存储介质，其上储存有计算机
程序，该计算机程序被处理器执行时实现如上述任意一项所述基于互联网医院的智能预问诊方法的步骤。
[0017]本申请实施例的第四方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述基于互联网医院的智能预问诊方法的步骤。
[0018]在本申请实施例中，通过将输入的主诉信息并转换为词向量，并利用预训练的Bi
‑
LSTM
‑
CRF模型和预训练的GCNN模型获取疾病信息，根据疾病信息触发第一问诊模式，在第一问诊模式下，基于所述疾病信息配置生成若干个第一问诊问题实现智能预问诊，通过采集用户对所述若干个第一问诊问题的反馈信息，根据各问诊问题及其对应的反馈信息自动生成电子病历，便于医生提前了解患者病情，简化问诊流程，提高问诊效率。
[0019]为了更好地理解和实施，下面结合附图详细说明本专利技术。
附图说明
[0020]图1为本专利技术一个实施例中基于互联网医院的智能预问诊方法的应用场景示意图；
[0021]图2为本专利技术一个实施例中基于互联网医院的智能预问诊方法的流程图；
[0022]图3为本专利技术一个实施例中基于互联网医院的智能预问诊系统的结构示意图。
具体实施方式
[0023]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0024]应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它例子，都属于本申请实施例保护的范围。
[0025]在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0026]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
[0027]此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0028]本申请提供的基于互联网医院的智能预问诊方法，可以应用于如图1所示的应用
环境中。其中，终端101通过网络与服务器102通过网络进行通信。终端101用于获取用户输入的主诉信息和问诊请求，并通过网络发送至服务器102，服务器102用于对所述主诉信息和问诊请求进行数据处理并生成电子病历。
[0029]其中，终端101可以是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备或其它可以通过网络与服务器101进行通信的设备，服务器102可以是独立的服务器或者是多个服务器组成的服务器集群。
[0030]如图2所示，本专利技术提供了一种基于互联网医院的智能预问诊方法，包括以下步骤：
[0031]步骤S1：响应于问诊请求，获取输入的主诉信息并转换为多个词向量；
[0032]主诉信息为用户输入的描述疾病情况的信息，可以是通过在具备文本输入功能的终端上输入。具体地，主诉信息可以包括药品信息和疾病信息；其中，药品信息包括但不限于药品名称信息、药品作用信息和药品种类信息等可以确定相关药品的信息。疾病信息包括但不限于疾病名称信息、疾病对应的症状信息、疾病所在部位信息和疾病程度信息等可以确定相关疾病的信息。
[0033]词嵌入(Word Embedding)是指将文本中的词转换为数字向量的方法，通过把一个维数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互联网医院的智能预问诊方法，其特征在于，包括以下步骤：响应于问诊请求，获取输入的主诉信息并转换为多个词向量；其中，所述主诉信息为用户输入的描述疾病情况的信息；基于所述多个词向量，利用预训练的Bi
‑
LSTM
‑
CRF模型获取关键信息；其中，所述关键信息包括症状、疾病和药名；基于所述关键信息和所述多个词向量，利用预训练的GCNN模型获取疾病信息；基于所述疾病信息触发第一问诊模式，在所述第一问诊模式下，基于所述疾病信息配置生成若干个第一问诊问题，采集用户答复所述若干个第一问诊问题的第一反馈信息；根据所述若干个第一问诊问题和所述第一反馈信息，生成电子病历。2.根据权利要求1所述的基于互联网医院的智能预问诊方法，其特征在于，基于所述疾病信息配置生成若干个第一问诊问题的步骤包括：将所述疾病信息输入预训练的文本生成模型，生成若干个第一问诊问题并按照预设的顺序依次进行配置。3.根据权利要求2所述的基于互联网医院的智能预问诊方法，其特征在于，还包括以下步骤：当采集到最后一个第一问诊问题的反馈信息，结束所述第一问诊模式。4.根据权利要求1所述的基于互联网医院的智能预问诊方法，其特征在于，在利用预训练的GCNN模型获取疾病信息的步骤之后，还包括：若利用预训练的GCNN模型未获取到疾病信息，则触发第二问诊模式，在所述第二问诊模式下，从数据库中获取若干个第二问诊问题并进行配置；采集用户答复所述若干个第二问诊问题的第二反馈信息；根据所述若干个第二问诊问题和所述第二反馈信息，生成电子病历。5.根据权利要求1所述的基于互联网医院的智能预问诊方法，其特征在于，将所述主诉信息转换为多个词向量的步骤包括：将所述主诉信息切分为多个字词；利用预先训练的BERT模型将所述多个字词转换为多个词向量。6.根据权利要求1所述的基于互联网医院的智能预问诊方法，其特征在于，在将所述词向量输入预训练的Bi
‑
LSTM
‑
CRF模型的步骤之前，还包括：从数据库中获取训练文本；其中，所述训练文本为包括症状、疾病、药名标注的语料数据；利用所述训练文本对Bi
‑
LSTM
‑
CRF模型进行预训练...

【专利技术属性】
技术研发人员：谢方敏，周峰，蒋重灏，伍世志，岑茂宽，胡真，王国波，
申请(专利权)人：广州方舟信息科技有限公司，
类型：发明
国别省市：