一种大数据医疗预检分诊方法及系统技术方案

本发明专利技术公开了一种大数据医疗预检分诊方法及系统。获得病人信息。基于所述病人信息，通过预检模型，得到传染病情况。若所述传染病情况为1，通知用户分诊至感染性疾病科或者分诊点就诊。所述预检模型包括第一预检结构、第二预检结构和融合预检结构。分别将病人信息输入各自对应的神经网络提取特征，并将这些特征输入第一预检融合神经网络，进行信息融合，得到第一预检向量。并且在检测之前根据第一预检结构，得到每类信息对于传染检测的影响程度。通过控制随机数数量和最大值，从而构建第二预检结构。使得影响传染病检测最小的在第二预检结构中连接最松弛。并且为了更加准确检测传染病，结合第一预检向量和第二预检向量共同判别传染病情况。传染病情况。传染病情况。

A big data medical pre examination and triage method and system

【技术实现步骤摘要】
一种大数据医疗预检分诊方法及系统


[0001]本专利技术涉及计算机
，具体而言，涉及一种大数据医疗预检分诊方法及系统。

技术介绍

[0002]目前，传染病预检、分诊制度是指医疗机构为有效控制传染病疫情，防止医疗机构内交叉感染。对来诊的患者预先进行有关传染病方面的甄别、检查与分流制度。询问病人有关的流行病学史、职业史，结合病人的主诉、病史、症状情况和体征等对来诊的病人进行传染病的预检。经预检为传染病病人或者疑似传染病病人的，应当将病人分诊至感染性疾病科或者分诊点就诊，同时对接诊处采取必要的消毒措施。但是对于传染病检测的方法采用人工方法过于浪费人力物力。采用机器检测的方法，会更加简单方便，但是目前的检测方法只是粗略检测，无法准确判别用户是否具有传染病。

技术实现思路

[0003]本专利技术的目的在于提供了一种大数据医疗预检分诊方法及系统，用以解决现有技术中存在的上述问题。
[0004]第一方面，本专利技术实施例提供了一种大数据医疗预检分诊方法，包括：获得病人信息；所述病人信息包括流行病史信息、职业史信息和症状情况信息；基于所述病人信息，通过预检模型，得到传染病情况；所述传染病情况为1表示可能为传染病；若所述传染病情况为1，通知用户分诊至感染性疾病科或者分诊点就诊；所述预检模型包括第一预检结构、第二预检结构和融合预检结构；所述第一预检结构的输入为病人信息；所述第二预检结构的输入为病人信息；所述融合预检结构的输入为所述第一预检结构的输出和所述第二预检结构的输出。
[0005]可选的，所述基于所述病人信息，通过预检模型，得到传染病情况，包括：将所述病人信息输入第一预检结构，得到第一预检向量；所述第一预检向量中的值表示用户带有传染病源的概率；获得训练判别类别向量；所述训练判别类别向量表示病人信息中不同信息的影响程度；基于所述病人信息和训练判别类别向量，通过第二预检结构，得到第二预检向量；所述第一预检向量中的值表示用户带有传染病源的可能概率；基于第一预检向量和第二预检向量，通过融合预检结构，得到传染病情况。
[0006]可选的，所述将所述病人信息输入第一预检结构，得到第一预检向量，包括：所述第一预检结构包括职业史神经网络、流行病史神经网络、症状情况神经网络和第一预检融合神经网络；将所述病人信息中的职业史输入所述职业史神经网络，进行分类，得到职业史初
始信息；所述职业史初始信息表示所述职业史神经网络中输出层输出的信息；将所述病人信息中的流行病史输入所述流行病史神经网络，进行分类，得到流行病史初始信息；所述流行病史初始信息表示所述流行病史神经网络中输出层输出的信息；将所述病人信息中的症状情况输入所述症状情况神经网络，进行分类，得到症状情况初始信息；所述症状情况初始信息表示所述症状情况神经网络中输出层输出的信息；将所述职业史初始信息、流行病史初始信息和症状情况初始信息输入第一预检融合神经网络， 得到第一预检向量。
[0007]可选的，所述获得训练判别类别向量，包括：所述第一预检结构包括职业史神经网络、流行病史神经网络、症状情况神经网络和第一预检融合神经网络；获得多个训练病人信息；将所述训练病人信息中的训练职业史输入所述职业史神经网络，进行分类，得到训练职业史初始信息；所述训练职业史初始信息表示所述职业史神经网络中输出层输出的信息；将所述训练病人信息中的训练流行病史输入所述流行病史神经网络，进行分类，得到训练流行病史初始信息；所述训练流行病史初始信息表示所述流行病史神经网络中输出层输出的信息；将所述训练病人信息中的训练症状情况输入所述症状情况神经网络，进行分类，得到训练症状情况初始信息；所述训练症状情况初始信息表示所述症状情况神经网络中输出层输出的信息；基于所述训练职业史初始信息、训练流行病史初始信息和训练症状情况初始信息，得到训练单预检向量集合；所述训练单预检向量集合包括训练职业史单预检向量、训练流行病史单预检向量和训练症状情况单预检向量；将所述训练职业史初始信息、训练流行病史初始信息和训练症状情况初始信息输入第一预检融合神经网络，得到训练融合预检向量；基于所述训练单预检向量集合和所述训练融合预检向量，得到训练判别类别向量；通过多次输入多个训练病人信息到第一预检结构中，得到多个训练单预检向量集合和对应的训练融合预检向量；通过多个训练单预检向量集合和对应的训练融合预检向量，修改训练判别类别向量的向量值，直到读取所有训练病人信息。
[0008]可选的，所述基于所述训练职业史初始信息、训练流行病史初始信息和训练症状情况初始信息，得到训练单预检向量集合，包括：基于所述训练职业史初始信息，得到训练职业史单预检向量；所述训练职业史单预检向量表示训练职业史初始信息得到的是否可能患有传染病的概率；基于所述训练流行病史初始信息，得到训练流行病史单预检向量；所述训练流行病史单预检向量表示训练流行病史初始信息得到的是否可能患有传染病的概率；基于所述训练症状情况初始信息，得到训练症状情况单预检向量；所述训练症状情况单预检向量表示所述训练症状情况初始信息得到的是否可能患有传染病的概率。
[0009]可选的，所述基于所述训练单预检向量集合和所述训练融合预检向量，得到训练
判别类别向量，包括：基于所述训练单预检向量集合，得到训练训练单预检类别集合；所述单预检类别集合表示训练单预检向量集合中向量值大于另一个向量值的类别；基于所述训练融合预检向量，得到训练融合预检类别；所述训练融合预检类别表示训练融合预检向量值中向量值大于另一个向量值的类别；基于训练单预检类别集合和所述训练融合预检类别，得到训练判别类别向量；若所述训练单预检类别集合中的类别，与，所述训练融合预检类别相同，将训练判别类别向量对应位置加1。
[0010]可选的，所述第二预检结构包括职业史融合网络、流行病史融合网络和症状情况融合网络：基于所述训练判别类别向量，得到三个比例值；所述三个比例值为职业史比例值、流行病史比例值和症状情况比例值；基于所述职业史比例值与所述流行病史融合网络，得到职业史随机数集合；基于所述职业史随机数集合，将职业史融合网络与所述流行病史融合网络连接；基于所述流行病史比例值与所述症状情况融合网络，得到流行病史随机数集合；基于所述流行病史随机数集合，将所述流行病史融合网络与所述症状情况融合网络连接。
[0011]可选的，所述将所述病人信息输入第二预检结构，得到第二预检信息，包括：将所述职业史信息，输入所述第二预检结构中的职业史融合网络，得到职业史融合信息；将职业史融合信息和流行病史信息，输入所述第二预检结构中的流行病史融合网络，得到流行病史融合信息；将所述流行病史融合信息和症状情况信息，输入所述第二预检结构中的症状情况融合网络，得到第二预检信息。
[0012]可选的，所述基于第一预检向量和第二预检向量，通过判别预检结构，得到传染病情况，包括：基于所述第一预检向量与第一预检阈值，得到第一预检情况；所述第一预检情况为1表示用户可能带有传染源；所述第一预检情况为0表示用户可能不带有传染源；基于所述第二预检向量与第二预检阈值，得到第二预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大数据医疗预检分诊方法，其特征在于，包括：获得病人信息；所述病人信息包括流行病史信息、职业史信息和症状情况信息；基于所述病人信息，通过预检模型，得到传染病情况；所述传染病情况为1表示可能为传染病；若所述传染病情况为1，通知用户分诊至感染性疾病科或者分诊点就诊；所述预检模型包括第一预检结构、第二预检结构和融合预检结构；所述第一预检结构的输入为病人信息；所述第二预检结构的输入为病人信息；所述融合预检结构的输入为所述第一预检结构的输出和所述第二预检结构的输出。2.根据权利要求1所述的一种大数据医疗预检分诊方法，其特征在于，所述基于所述病人信息，通过预检模型，得到传染病情况，包括：将所述病人信息输入第一预检结构，得到第一预检向量；所述第一预检向量中的值表示用户带有传染病源的概率；获得训练判别类别向量；所述训练判别类别向量表示病人信息中不同信息的影响程度；基于所述病人信息和训练判别类别向量，通过第二预检结构，得到第二预检向量；所述第一预检向量中的值表示用户带有传染病源的可能概率；基于第一预检向量和第二预检向量，通过融合预检结构，得到传染病情况。3.根据权利要求2所述的一种大数据医疗预检分诊方法，其特征在于，所述将所述病人信息输入第一预检结构，得到第一预检向量，包括：所述第一预检结构包括职业史神经网络、流行病史神经网络、症状情况神经网络和第一预检融合神经网络；将所述病人信息中的职业史输入所述职业史神经网络，进行分类，得到职业史初始信息；所述职业史初始信息表示所述职业史神经网络中输出层输出的信息；将所述病人信息中的流行病史输入所述流行病史神经网络，进行分类，得到流行病史初始信息；所述流行病史初始信息表示所述流行病史神经网络中输出层输出的信息；将所述病人信息中的症状情况输入所述症状情况神经网络，进行分类，得到症状情况初始信息；所述症状情况初始信息表示所述症状情况神经网络中输出层输出的信息；将所述职业史初始信息、流行病史初始信息和症状情况初始信息输入第一预检融合神经网络， 得到第一预检向量。4.根据权利要求2所述的一种大数据医疗预检分诊方法，其特征在于，所述获得训练判别类别向量，包括：所述第一预检结构包括职业史神经网络、流行病史神经网络、症状情况神经网络和第一预检融合神经网络；获得多个训练病人信息；将所述训练病人信息中的训练职业史输入所述职业史神经网络，进行分类，得到训练职业史初始信息；所述训练职业史初始信息表示所述职业史神经网络中输出层输出的信息；将所述训练病人信息中的训练流行病史输入所述流行病史神经网络，进行分类，得到训练流行病史初始信息；所述训练流行病史初始信息表示所述流行病史神经网络中输出层
输出的信息；将所述训练病人信息中的训练症状情况输入所述症状情况神经网络，进行分类，得到训练症状情况初始信息；所述训练症状情况初始信息表示所述症状情况神经网络中输出层输出的信息；基于所述训练职业史初始信息、训练流行病史初始信息和训练症状情况初始信息，得到训练单预检向量集合；所述训练单预检向量集合包括训练职业史单预检向量、训练流行病史单预检向量和训练症状情况单预检向量；将所述训练职业史初始信息、训练流行病史初始信息和训练症状情况初始信息输入第一预检融合神经网络，得到训练融合预检向量；基于所述训练单预检向量集合和所述训练融合预检向量，得到训练判别类别向量；通过多次输入多个训练病人信息到第一预检结构中，得到多个训练单预检向量集合和对应的训练融合预检向量；通过多个训练单预检向量集合和对应的训练融合预检向量，修改训练判别类别向量的向量值，直到读取所有训练病人信息。5.根据权利要求4所述的一种大数据医疗预检分诊方法，其特征在于，所...

【专利技术属性】
技术研发人员：杨春军，
申请(专利权)人：杨春军，
类型：发明
国别省市：