智能随访方法及系统技术方案

本发明专利技术提供了一种智能随访方法及系统，包括：步骤S1：基于社区全科的历史主诉数据构建主诉时序图；步骤S2：对主诉时序图按照预设要求进行正负样本标记，对正样本主诉时序图进行预处理；步骤S3：负样本主诉时序图和预处理后的正样本主诉时序图分别利用主诉时序图的向量化模型得到对应的向量，并计算正样本向量的风险中心向量和负样本向量的无风险中心向量；步骤S4：基于预设时间点的主诉数据生成判定日期的主诉时序图，并输入主诉时序图向量化模型得到判定日期的风险向量，计算当前判定日期的风险向量与风险中心向量和无风险中心向量的距离，从而判断是否进行主动随访。从而判断是否进行主动随访。从而判断是否进行主动随访。

【技术实现步骤摘要】
智能随访方法及系统


[0001]本专利技术涉及病患管理
，具体地，涉及智能随访方法及系统，更为具体地，涉及基于全科门诊主诉和对比学习触发的社区主动随访方法及系统。

技术介绍

[0002]随访是慢病诊疗的重要手段，可以有效减少急性发作、起到早治疗的目的；而同一社区的就诊人群接触相似的环境物质，当某有害物质出现时，全科门诊的病人主诉对该物质的出现有“潜在”的提示作用；例如：鼻炎、咽炎类主诉可能提示粉尘等物质的出现；失眠类主诉可能提示噪音的出现等；环境物质是许多慢病急性发作的重要诱因；例如：粉尘诱发哮喘、油漆或沥青气体诱发银屑病、噪音诱发高血压等。
[0003]现有技术中基于时间间隔随访的方法，触发方式不够科学和灵活，也有可能耽误最佳治疗时间；而本专利技术从社区全科就诊人群的主诉中捕获环境风险，以此触发主动随访，充分利用了社区就诊人群特点带来的优势，更为科学、同时获取及时的随访时间点。
[0004]专利文献CN115985523A(申请号：202310051179.2)公开了一种数字化慢病随访管理系统，具体涉及医疗管理领域，用于解决但现有的慢病随访管理系统，对于慢病患者的随访次序通常是通过医生的经验判断，无法针对性地根据慢病患者的多方信息进行随访安排的问题，包括主控模块，数据录入模块、病情分析模块、就医分析模块、随访管理模块以及数据存储模块。该专利实现了对病人病情和随访信息的管理，通过病情描述决定是否随访；与本专利技术的工作原理完全不同，本专利技术基于同社区全科病人的主诉发现特定慢病的诱发物质的出现，从而触发随访。
[0005]专利文献CN115512818A(申请号：202211240296.5)公开了一种基于医疗系统的智能随访管理系统，其包括：信息登记单元、门诊终端、患者随访单元、客服随访单元、档案管理单元、快速复诊单元和健康监测单元，信息登记单元用于执行采集病人的身份信息；门诊终端与所述信息登记单元连接，用于执行对患者的病情、用药、费用和病历信息进行监管；患者随访单元与所述信息登记单元和门诊终端连接，用于执行对患者病情信息进行更新管理。该专利将就诊病人的门诊、复诊、档案管理等环境进行关联，从而方便医务人员随访过程的系统。本专利技术阐述了一种社区环境下如何触发某类疾病随访的方法，本专利技术与该专利在随访的不同阶段发挥作用，是两个不同层面的技术。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种智能随访方法及系统。
[0007]根据本专利技术提供的一种智能随访方法，包括：
[0008]步骤S1：基于社区全科的历史主诉数据构建主诉时序图；
[0009]步骤S2：对主诉时序图按照预设要求进行正负样本标记，对正样本主诉时序图进行预处理；
[0010]步骤S3：负样本主诉时序图和预处理后的正样本主诉时序图分别利用主诉时序图
的向量化模型得到对应的向量，并计算正样本向量的风险中心向量和负样本向量的无风险中心向量；
[0011]步骤S4：基于预设时间点的主诉数据生成判定日期的主诉时序图，并输入主诉时序图向量化模型得到判定日期的风险向量，计算当前判定日期的风险向量与风险中心向量和无风险中心向量的距离，从而判断是否进行主动随访；
[0012]所述主诉时序图向量化模型是基于深度神经网络构建主诉时序图向量化模型，并通过simclr算法优化主诉时序图向量化模型。
[0013]优选地，所述步骤S1采用：
[0014]步骤S1.1：采用SimCSE算法构建主诉向量化模型，基于获取的全科门诊记录中的主诉描述利用主诉向量化模型获取主诉向量集合；
[0015]步骤S1.2：基于日期聚合主诉向量集合中的元素，得到单日主诉向量；
[0016]步骤S1.3：基于单日主诉向量构建主诉时序图；
[0017]所述主诉向量集合是对全科门诊记录中的每一条主诉进行向量化得到对应的主诉向量；结合当前主诉被记录的日期，构成主诉的日期
‑
向量元组，基于主诉的日期
‑
向量元组构成日期
‑
向量元组集合。
[0018]优选地，所述步骤S2采用：
[0019]步骤S2.1：目标慢病发生日期为k，标记[k
‑
m,k]区间内的主诉时序图为正样本；主诉时序图集合中的其他主诉时序图为负样本；
[0020]步骤S2.2：使用CANOPY算法聚类单日主诉向量确定聚类簇的数量，基于聚类簇的数量使用K
‑
Means对单日主诉向量进行再次聚类；
[0021]步骤S2.3：对于每一个聚类簇，对簇内向量进行线性累加后除以簇内向量数得到均值，由按位累加并求取均值的向量获得典型主诉向量；
[0022]步骤S2.4：使用典型主诉向量对标记为正样本的主诉时序图进行数据增强，得到数据增强后的正样本主诉时序图。
[0023]优选地，所述步骤S3采用：
[0024]步骤S3.1：将负样本主诉时序图和预处理后的正样本主诉时序图输入主诉时序图的向量化模型得到对应的向量；
[0025]步骤S3.2：将预处理后的正样本集合得到的向量进行累加并求得均值向量，当前均值向量为风险中心向量；将负样本集合得到的向量进行累加并求得均值向量，当前的均值向量为无风险中心向量。
[0026]优选地，所述步骤S4采用：当前判定日期的风险向量与风险中心向量和无风险中心向量分别计算余弦相似度；当与风险中心向量的相似度大于与无风险中心向量的相似度，则表示当前判定日期存在风险，需要进行主动随访；否则，则表示不需要进行主动随访。
[0027]根据本专利技术提供的一种智能随访系统，包括：
[0028]模块M1：基于社区全科的历史主诉数据构建主诉时序图；
[0029]模块M2：对主诉时序图按照预设要求进行正负样本标记，对正样本主诉时序图进行预处理；
[0030]模块M3：负样本主诉时序图和预处理后的正样本主诉时序图分别利用主诉时序图的向量化模型得到对应的向量，并计算正样本向量的风险中心向量和负样本向量的无风险
中心向量；
[0031]模块M4：基于预设时间点的主诉数据生成判定日期的主诉时序图，并输入主诉时序图向量化模型得到判定日期的风险向量，计算当前判定日期的风险向量与风险中心向量和无风险中心向量的距离，从而判断是否进行主动随访；
[0032]所述主诉时序图向量化模型是基于深度神经网络构建主诉时序图向量化模型，并通过simclr算法优化主诉时序图向量化模型。
[0033]优选地，所述模块M1采用：
[0034]模块M1.1：采用SimCSE算法构建主诉向量化模型，基于获取的全科门诊记录中的主诉描述利用主诉向量化模型获取主诉向量集合；
[0035]模块M1.2：基于日期聚合主诉向量集合中的元素，得到单日主诉向量；
[0036]模块M1.3：基于单日主诉向量构建主诉时序图；
[0037]所述主诉向量集合是对全科门本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能随访方法，其特征在于，包括：步骤S1：基于社区全科的历史主诉数据构建主诉时序图；步骤S2：对主诉时序图按照预设要求进行正负样本标记，对正样本主诉时序图进行预处理；步骤S3：负样本主诉时序图和预处理后的正样本主诉时序图分别利用主诉时序图的向量化模型得到对应的向量，并计算正样本向量的风险中心向量和负样本向量的无风险中心向量；步骤S4：基于预设时间点的主诉数据生成判定日期的主诉时序图，并输入主诉时序图向量化模型得到判定日期的风险向量，计算当前判定日期的风险向量与风险中心向量和无风险中心向量的距离，从而判断是否进行主动随访；所述主诉时序图向量化模型是基于深度神经网络构建主诉时序图向量化模型，并通过simclr算法优化主诉时序图向量化模型。2.根据权利要求1所述的智能随访方法，其特征在于，所述步骤S1采用：步骤S1.1：采用SimCSE算法构建主诉向量化模型，基于获取的全科门诊记录中的主诉描述利用主诉向量化模型获取主诉向量集合；步骤S1.2：基于日期聚合主诉向量集合中的元素，得到单日主诉向量；步骤S1.3：基于单日主诉向量构建主诉时序图；所述主诉向量集合是对全科门诊记录中的每一条主诉进行向量化得到对应的主诉向量；结合当前主诉被记录的日期，构成主诉的日期
‑
向量元组，基于主诉的日期
‑
向量元组构成日期
‑
向量元组集合。3.根据权利要求2所述的智能随访方法，其特征在于，所述步骤S2采用：步骤S2.1：目标慢病发生日期为k，标记[k
‑
m,k]区间内的主诉时序图为正样本；主诉时序图集合中的其他主诉时序图为负样本；步骤S2.2：使用CANOPY算法聚类单日主诉向量确定聚类簇的数量，基于聚类簇的数量使用K
‑
Means对单日主诉向量进行再次聚类；步骤S2.3：对于每一个聚类簇，对簇内向量进行线性累加后除以簇内向量数得到均值，由按位累加并求取均值的向量获得典型主诉向量；步骤S2.4：使用典型主诉向量对标记为正样本的主诉时序图进行数据增强，得到数据增强后的正样本主诉时序图。4.根据权利要求1所述的智能随访方法，其特征在于，所述步骤S3采用：步骤S3.1：将负样本主诉时序图和预处理后的正样本主诉时序图输入主诉时序图的向量化模型得到对应的向量；步骤S3.2：将预处理后的正样本集合得到的向量进行累加并求得均值向量，当前均值向量为风险中心向量；将负样本集合得到的向量进行累加并求得均值向量，当前的均值向量为无风险中心向量。5.根据权利要求1所述的智能随访方法，其特征在于，所述步骤S4采用：当前判定日期的风险向量与风险中心向量和无风险中心向量分别计算余弦相似度；当与风险中心向量的相似度大于与无风险中心向量的相似度，则表示当前判定日期存在风险，需要进行主动随访；否则，则表示不需要进行主动随访。
...

【专利技术属性】
技术研发人员：王昊，许一，徐彩勤，
申请(专利权)人：上海市静安区南京西路街道社区卫生服务中心，
类型：发明
国别省市：